转载
网络表示动机Graph Embedding可以用于真实网络数据，但是效果不好。原因：Network的邻接矩阵并不完整，比如某个元素值为0并不代表这两个节点之间没有关系，而我们要做的就是学习到这个关系，那么我们用什么指标呢？
- 共现矩阵（邻居）
- 高阶相似度
Network Embedding算法
主要有两类，一种是neighborhood-preserved算法，另一种是proximity-preserved算法。
下面先说一下第一种。
节点的邻居在网络中是非常重要的，因此直观的想法是通过Node embedding能够反映出邻居的情况。接下来要做的就是如何定义邻居了，在Deepwalk中是用的是truncated random walk来定义一个节点的邻居；在deepwalk的基础上，node2vec的idea是使用更为灵活的有偏random walk来衡量网络的局部和全局信息，更为具体的，此算法random walk出来的一条路径，可以是BFS的，也可以是DFS的。
第二种就是proximity，即相似。
所谓一阶相似度，就是两个顶点之间有边，而二阶相似度就是两个顶点之间没有边，但是两个顶点的相同邻居的比例。Line算法就是将这两种相似度结合在一起来定义节点的向量。具体的算法思想在这里简单的说一下，更深入了解需要去看论文。Line算法处理一阶和二阶相似度的想法很直观，就是最小化定义的一个目标函数，来学习每个节点的向量表示。这个目标函数是两个分布的KL散度——一是经验分布，二是通过节点向量内积计算的分布。具体的公式算法请自行查阅论文。【这里没有讲清，回头弄明白再仔细说说】。
还有一种通过神经网络做的Graph Embedding，将这两种方法得到的Embedding统一起来，SDNE。
Network Embedding还有什么前沿的工作正在做？（2018年）
- 对于Network Embedding的解释性工作
- 任意阶的相似度扩展
- 新的embedding方法
基于random walk使用的就是Skip-gram，优化方法用的是负采样；现在有些思路是使用其他的embedding方法。
准备后面好好研读下论文并进行代码的复现，而不是只是停留在转载和看的上面。。。
后续参考https://segmentfault.com/a/1190000016491406学习
