VHRanger/nodevectors
（目前能找到單機效能最高並且不要求GPU的graph embedding library了，不過可惜沒有實現全。。。不過話說目前graph embedding的library就沒有實現全的；graphvite號稱直接透過cuda來寫graph embedding的邏輯，但是他們家的library我一直沒能裝上。。。）
1、link prediction：透過移除graph中的部分edges，然後我們去預測被移除了edge的兩個節點是否存在edges，這樣就把問題轉化為一個二分類問題了，可以使用邏輯迴歸或者lightgbm來完成，具體的做法就是：
（1）存在edge的兩個節點對為正樣本，標籤為1；
（2）不存在edges的兩個節點為負樣本，標籤為0，這裡的問題在於我們如何選擇，簡單的做法就是graph上仍以兩個節點進行組合成node pairs，然後存在edge的node pairs移除，剩下不存在的就都是負樣本了；但是這樣構造出來的node pairs會非常多，比如100個節點，則有100*（100-1）=9900種組合，針對這種情況，合適的做法就是隨機取樣了，取樣一部分負樣本即可；這裡的取樣策略可以是簡單隨機 或者根據節點的度 加權度等方式進行有偏取樣
最後我們可以透過auc、f1score等方式來評估；
這種方法對標籤沒有依賴性，最靈活；
2、圖聚類（在帶有社群/聚類標籤的圖形上），我們在graph embedding結果上使用分層的聚類聚類，並測量graph embeding的聚類結果與網路中實際社群的重疊。
選擇分層的層次聚類是因為它是確定性的，並且對聚類形狀或縮放或嵌入度量空間不敏感
。我們用RAND指數，相互資訊得分和Fowlkes-Mallows得分來測量重疊（這些也是常規的無監督聚類裡使用的評估指標）。這類方法需要具有社群的標籤，即哪些節點屬於一個社群，將graph embedding的分層聚類結果與社群標籤做比較，如果沒有社群標籤可以考慮使用社群發現演算法來計算社群標籤；
3、直接對標下游任務，這種適用於存在較多標籤的情況，即每一個節點都有標籤存在，那麼graph embedding之後，embedding的結果對應的就是原始節點的標籤了，此時我們可以根據下游任務的評估指標來判定embedding的效果，這也是針對下游任務最好的度量方式，不過需要大量的已知標籤的支援，並且涉及到上游embedding和下游模型訓練兩個過程，時間開銷較大。
