Update neo4j-graph-embedding.md

data/3.Neo4j 高阶/1.图数据科学和机器学习/3.图嵌入概览/neo4j-graph-embedding.md

 # Neo4j 图嵌入概览
 
+图嵌入确定了图中每个实体（通常是节点）的固定长度向量表示。这些嵌入是图的低维表示，并保留了图的拓扑结构。
+
+节点嵌入技术通常包括以下功能：
+
+![图嵌入](https://dist.neo4j.com/wp-content/uploads/20200703083748/node-embeddings-how-they-work.png)
+
+- 相似函数
+
+  测量节点之间的相似性
+
+- 编码器功能
+
+  生成节点嵌入
+
+- 解码功能
+
+  重建成对相似性
+
+- 损失函数
+
+  检查重建质量
+
+有几个用例非常适合图嵌入：
+
+- 我们可以借助[t 分布随机邻域嵌入](https://en.wikipedia.org/wiki/T-distributed_stochastic_neighbor_embedding)(t-SNE) 和主[成分分析](https://en.wikipedia.org/wiki/Principal_component_analysis)(PCA)等算法，通过将嵌入减少到 2 维或 3 维来直观地探索数据。
+- 我们可以从嵌入中构建 kNN 相似性图。然后可以使用相似性图来提出建议，作为 k-最近邻查询的一部分。
+- 我们可以使用嵌入作为特征输入机器学习模型，而不是手动生成这些特征。在这个用例中，嵌入可以被认为是[表征学习的](https://en.wikipedia.org/wiki/Feature_learning)一种实现。
+
+Neo4j[图数据科学库](https://neo4j.com/graph-data-science-library)支持多种图嵌入算法。
+
+- 随机投影
+- node2vec
+- 图SAGE
+
+问题
+
+下列描述中，不正确的一项是？
+
+## 答案
+
+图嵌入是为了将图数据模型转换成二维数据
+
+## 选项
+
+### A
+
+Neo4j 图嵌入是Neo4j GDS库的功能
+
+### B
+
+使用Neo4j 图嵌入可以为机器学习提供图数据模型处理能力
+
+### C
+
+需要图嵌入是因为当前的机器学习无法直接处理图数据
+
+### D
+
+图嵌入是为了将图数据模型转换成二维数据