此存储库提供了以下内容的参考实现节点2vec如本文所述：

node2vec：网络的可扩展特征学习。
Aditya Grover和Jure Leskovec。
知识发现和数据挖掘，2016年。

这个节点2vec该算法学习任意（无）有向（无）加权图中节点的连续表示。请检查项目页面了解更多详细信息。

要运行节点2vec在Zachary的空手道俱乐部网络上，从项目主目录执行以下命令：
python src/main.py—输入graph/karate.edgelist—输出emb/karate.emd

您可以查看其他可用选项节点2vec使用：
python src/main.py—帮助

支持的输入格式是edgelist：

node1_id_int节点2_id_int<权重浮点数，可选>

默认情况下，假定该图是无向且未加权的。可以通过设置适当的标志来更改这些选项。

输出文件具有n+1具有的图形的线条n个顶点。第一行具有以下格式：

节点数dim_of_representation

下一个n个行如下：

node_id dim1 dim2。。。调暗

其中dim1，dimd是d日-学习的维度表示节点2vec.

如果你发现节点2vec对您的研究有用，请考虑引用以下论文：

@在过程{node2vec-kdd2016，author={Grover，Aditya和Leskovec，Jure}，title={node2vec:网络的可扩展特征学习}，booktitle={第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集}，年份={2016年}}

请将有关代码和/或算法的任何问题发送给adityag@cs.stanford.edu.

注：这只是节点2vec算法和可能受益于几种性能增强方案，本文对其中一些方案进行了讨论。