Node Embeddings（節點嵌入）能把圖（Graph）中的每個節點轉換成 N 維空間中的向量，讓「哪些節點相似」可以用向量計算來衡量，而不必在原始圖結構上跑昂貴的計算。本文先解釋節點嵌入的基本概念與相似度定義，再整理 Neo4j Graph Data Science 提供的四種節點嵌入演算法——FastRP、Node2Vec、GraphSAGE、HashGNN——以及它們在 Graph RAG 架構中的角色。
什麼是 Node Embeddings？為什麼圖需要嵌入？
參考資料：Introduction to Node Embedding（Memgraph）
圖（graphs）的基本組成是節點（nodes）和邊（edges），以社交網絡為例，就能說明它們在現實世界中的應用。而節點嵌入就是把圖中的每個節點轉換成一個向量，這些向量位於 N 維空間中（例如 2 維、3 維，或更高維度），這樣每個節點在空間中都有一個特定的位置。
將節點嵌入空間後，圖中的結構關係會變得更容易理解：
- 人類視角：如果把節點嵌入到 2 維空間，圖中的「群體」或「社群」結構會以集群的形式顯現出來，人類可以在 2 維圖像中直觀地看出哪些節點是相似的。
- 電腦視角：節點嵌入轉化為數字向量，節點之間的距離和相似性就可以通過向量計算來衡量。例如使用「餘弦相似度」比較兩個節點的相似性，比直接在原始圖結構上做複雜計算（如最短路徑）簡單得多。
節點嵌入算法是一種將圖中節點映射到低維空間的技術，生成的低維向量（稱為嵌入）保留了節點在圖中的結構信息和屬性。這些向量可以作為機器學習模型的輸入，用於各種任務：
| 任務 | 說明 |
|---|---|
| 節點分類 | 用嵌入向量預測節點的類別 |
| 鏈接預測 | 預測兩個節點之間是否可能存在邊 |
| kNN 相似性圖 | 用 k-最近鄰居建立相似性圖 |
嵌入向量捕捉了節點的特性，使得即使在圖中沒有直接連接的節點也能進行有效的比較和分析。我們可以用嵌入向量來計算節點之間的距離或相似度，並根據這些距離來衡量兩個節點的「接近程度」。隨著節點數量增多（例如 1000 個節點），僅通過圖結構來判斷節點關係會變得更加困難，但嵌入能在高維空間中有效地表示圖的結構，讓電腦能夠更輕鬆地處理大規模圖資料。
至於要如何定義 node similarity 呢？以下幾種都可以當成判斷相似程度的指標：
- 有連結的 nodes
- 有共同的鄰居
- 有類似的結構
Graph RAG 與 Node Embeddings 的關係是什麼？
參考資料：Neo4j Graph Data Science — Node Embeddings
Neo4j Graph Data Science 庫提供了多種節點嵌入算法，包括生產級別的 FastRP，以及處於 Beta 階段的 GraphSAGE、Node2Vec 和 HashGNN。這些算法能夠將圖中的節點轉換為向量形式，以便用於後續的機器學習任務，比如節點分類、社群檢測和關聯預測。
Graph RAG（Retrieval-Augmented Generation with Graphs） 是一種使用圖形結構來增強檢索和生成的技術。它的核心思想是將資料結構化為圖形（例如實體和它們之間的關係形成的網狀結構），然後基於圖形進行檢索和資訊整合。Graph RAG 利用圖形索引來提升對問題的回答品質，尤其是在處理複雜多跳查詢時，圖形結構能夠幫助模型更好地理解資料的關聯性。
而 Node Embeddings 則是把圖形中的每個節點（例如實體）轉換為向量表示，使它可以在向量空間中進行計算。這種表示法保留了節點的結構和語義資訊，並且使得圖形資料可以被用於機器學習模型。
FastRP（Fast Random Projection）怎麼運作？
介紹頁面：FastRP — Neo4j GDS
Fast Random Projection（FastRP）是一種基於隨機投影的節點嵌入算法。它根據約翰遜-林德斯特拉姆引理，通過將節點映射到 O(log(n)) 維度的空間，來近似保留點間的夾角距離。FastRP 算法在圖中運作，特別是在無向圖、有向圖、異質節點和關係以及加權關係的圖中表現出色。
此外，FastRP 支持節點屬性的使用，並且可以通過 `propertyRatio` 參數來控制屬性嵌入的比例。算法的實現擴展了原始 FastRP 算法，引入了 `nodeSelfInfluence` 參數，並支持有向圖和加權圖。FastRP 的使用案例包括機器學習流水線中的節點屬性步驟，以及在執行模式（如 stream、stats、mutate 和 write）之間的選擇。算法還提供了記憶體估算功能，幫助了解在特定圖上運行所需的記憶體。
Node2Vec 有什麼特色？
介紹頁面：Node2Vec — Neo4j GDS
Node2Vec 通過在圖中進行隨機遊走（random walk）來計算節點的向量表示。該算法支持有向圖、無向圖、異構節點和關係型、以及加權關係的處理。隨機遊走的概念是 Node2Vec 的核心：它通過二階隨機遊走來建模節點之間的過渡概率，並受到 `returnFactor` 和 `inOutFactor` 參數的影響。
GraphSAGE 為什麼適合未見過的節點？
GraphSAGE 通過學習一個函數來生成未見節點或圖的節點嵌入——該函數從節點的局部鄰居中抽樣並聚合特徵。這種方法不是為每個節點獨立訓練一個嵌入，而是學習一個函數來生成嵌入，因此能泛化到訓練時沒見過的節點。
HashGNN 為什麼不用訓練？
介紹頁面：HashGNN — Neo4j GDS
HashGNN 通過隨機哈希函數來模擬圖神經網絡的功能，無需進行昂貴的訓練過程。該算法支持有向圖和無向圖，並且能夠處理異質節點和關係，這使得它能夠應用於複雜的圖結構中。
四種演算法怎麼選？
| 演算法 | 階段 | 核心方法 | 適用場景 |
|---|---|---|---|
| FastRP | 生產級 | 隨機投影，近似保留夾角距離 | 快速、大規模圖，支援節點屬性 |
| Node2Vec | Beta | 二階隨機遊走 | 捕捉鄰里結構的連續特徵 |
| GraphSAGE | Beta | 鄰居抽樣與特徵聚合的歸納式函數 | 需要為未見節點生成嵌入 |
| HashGNN | Beta | 隨機哈希模擬 GNN | 不想訓練、要快速處理異質圖 |
延伸閱讀
- Graph RAG：圖形式的檢索增強生成完整解析：同樣聚焦 Graph RAG、知識圖譜，可接著比較不同情境的做法。
- Graph RAG：圖形式的檢索增強生成，讓 LLM 回答全局性問題：同樣聚焦 Graph RAG、知識圖譜，可接著比較不同情境的做法。
- Neo4j 圖形資料庫介紹：同樣聚焦 Neo4j，可接著比較不同情境的做法。
常見問題
Node Embeddings 是什麼？
Node Embeddings（節點嵌入）是把圖中每個節點轉換成 N 維空間中的向量的技術，向量保留了節點在圖中的結構資訊和屬性。轉成向量後，節點之間的相似度就能用餘弦相似度等向量計算來衡量。
為什麼 Graph RAG 需要 Node Embeddings？
Graph RAG 把資料結構化為實體與關係組成的圖，再基於圖做檢索與生成。Node Embeddings 讓這些節點可以在向量空間中計算，使相似實體的比對、社群檢測與關聯預測等機器學習任務變得可行，進而提升複雜多跳查詢的回答品質。
Neo4j GDS 提供哪些節點嵌入演算法？
FastRP 是生產級別的演算法，基於隨機投影、計算速度快；GraphSAGE、Node2Vec 和 HashGNN 則處於 Beta 階段，分別採用鄰居特徵聚合、二階隨機遊走和隨機哈希模擬 GNN 的方式。
FastRP 和 Node2Vec 有什麼差別？
FastRP 基於隨機投影，依約翰遜-林德斯特拉姆引理把節點映射到 O(log(n)) 維空間，速度快且支援節點屬性與加權圖；Node2Vec 則透過二階隨機遊走建模節點間的過渡概率，用 `returnFactor` 和 `inOutFactor` 控制遊走行為。
GraphSAGE 和其他嵌入演算法最大的不同是什麼？
GraphSAGE 不是為每個節點獨立訓練一個嵌入，而是學習一個「從局部鄰居抽樣並聚合特徵」的函數來生成嵌入。這種歸納式做法讓它能為訓練時未見過的節點或新圖產生嵌入。
參考資料
- Introduction to Node Embedding（Memgraph）
- Neo4j GDS — Node Embeddings
- Neo4j GDS — FastRP
- Neo4j GDS — Node2Vec
- Neo4j GDS — GraphSAGE
- Neo4j GDS — HashGNN
最後更新
2026-08-28（原文發布於 2024-11-11，本文保留原始筆記內容並補上 GEO 結構。）
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2024-11-11