一、按照程序执行的顺序，第一步是walker.py中的preprocess_transition_probs()函数

这个函数的作用是生成两个采样预备数据，alias_nodes，alias_edges。

两份数据又各自包含两个列表，这两个列表分别对应着alias采样中的概率和另一个选项，具体alias采样详见https://blog.csdn.net/haolexiao/article/details/65157026

alias_nodes：根据node和它的邻居之间的权重确定采样的概率，权重越高，被采中的概率越大。

alias_edges：调用get_alias_edge()函数生成，返回在前一个访问顶点为t，当前顶点为v时决定下一次访问哪个邻接点时需要的alias表

1 def preprocess_transition_probs(self):
2 """
3 Preprocessing of transition probabilities for guiding the random walks.
4 """
5 G = self.G
6
7 alias_nodes = {}
8 for node in G.nodes():
9 unnormalized_probs = [G[node][nbr].get('weight', 1.0)
10 for nbr in G.neighbors(node)]
11 norm_const = sum(unnormalized_probs)
12 normalized_probs = [
13 float(u_prob)/norm_const for u_prob in unnormalized_probs]
14 alias_nodes[node] = create_alias_table(normalized_probs)
15
16 alias_edges = {}
17
18 for edge in G.edges():
19 alias_edges[edge] = self.get_alias_edge(edge[0], edge[1])
20
21 self.alias_nodes = alias_nodes
22 self.alias_edges = alias_edges
23
24 return

二、第二个比较重要的函数是node2vec_walk()函数

该函数是从start_node开始，生成walk_length长度的序列，序列的生成除了考虑当前节点，还考虑前一个遍历的节点。

采样方法是根据之前生成的alias数据进行采样。

对每一个节点都生成一个序列

def node2vec_walk(self, walk_length, start_node):

1 def node2vec_walk(self, walk_length, start_node):
2
3 G = self.G
4 alias_nodes = self.alias_nodes
5 alias_edges = self.alias_edges
6
7 walk = [start_node]
8
9 while len(walk) < walk_length: 10 cur = walk[-1] 11 cur_nbrs = list(G.neighbors(cur)) 12 if len(cur_nbrs) > 0:
13 if len(walk) == 1:
14 walk.append(
15 cur_nbrs[alias_sample(alias_nodes[cur][0], alias_nodes[cur][1])])
16 else:
17 prev = walk[-2]
18 edge = (prev, cur)
19 try:
20 prob=alias_edges[edge][0]
21 alias=alias_edges[edge][1]
22 except KeyError:
23 print()
24 next_node = cur_nbrs[alias_sample(prob,alias)]
25 walk.append(next_node)
26 else:
27 break
28
29 return walk

三、之后就是调用gensim中的Word2Vec进行训练，得到每个节点的embedding。