使用Word2Vec训练网络嵌入时生成节点向量数远少于总节点数是什么原因

问题根因 #

你训练时只得到28015个向量是因为Gensim的Word2Vec默认开启了低频词过滤：默认min_count=5，即所有在随机游走序列中总出现次数少于5的节点都会被直接排除，不会生成对应向量。图中度数较低的节点、孤立节点大概率在随机游走中出现次数不足阈值，因此被过滤。

解决步骤 #

• 第一步：修改Word2Vec初始化参数，关闭低频过滤
  你只需要在初始化Word2Vec时添加min_count=1参数，即可保留所有至少出现过1次的节点：

  def run_skipgram(walk_path):
      walks = np.load(walk_path).tolist()
      # 新增min_count=1参数，不过滤任何出现过的节点
      skipgram = Word2Vec(sentences=walks, vector_size=128, negative=5, window=8, sg=1, workers=6, epochs=3, min_count=1)
      
      keys = list(map(int, skipgram.wv.index_to_key))
      keys.sort()
      
      vectors = [skipgram.wv[key] for key in keys]
      return np.array(vectors)
  

• 第二步：验证随机游走序列的完整性
  如果修改参数后仍未得到全部169343个节点的向量，说明你生成的随机游走序列本身没有覆盖所有节点，建议提前统计游走序列中所有去重后的节点总数，排查随机游走生成逻辑是否遗漏了孤立节点、度数为0的节点。
• 第三步：校验节点类型一致性
  确保游走序列中存储的节点标识和你后续查询的节点类型完全一致，避免出现字符串、整数类型不匹配导致的查询遗漏。

内容的提问来源于stack exchange，提问作者khairi abidi