【图嵌入综述1】 Graph Embedding Techniques, Applications, and Performance: A Survey

转载 苏一

因为我之后的方向是图神经网络这块，因此最近正在看很多资料，目前是看各种大佬的总结，之后的希望是自己可以写各种笔记心得贡献给大家。

目录

一、图嵌入概述

二、图嵌入的挑战

三、图嵌入的方法

1.预备知识与符号定义

2.基于因子分解的方法

2.1 Locally Linear Embedding (LLE)

2.2 Laplacian Eigenmaps

2.3. Cauchy graph embedding

2.4. Structure Preserving Embedding (SPE)

2.5. Graph Factorization (GF)

2.6. GraRep

2.7. HOPE

3、基于随机游走的方法

3.1. DeepWalk

3.2. node2vec

3.3. Hierarchical representation learning for networks (HARP)

3.4. Walklets

4、基于深度学习的方法

4.1. Structural deep network embedding (SDNE)

4.2. Deep neural networks for learning graph representations (DNGR)

4.3. Graph convolutional networks (GCN)

4.4. Variational graph auto-encoders (VGAE)

5、其他

LINE

参考文献

一、图嵌入概述

图，如社交网络、单词共存网络和通信网络，广泛地存在于各种现实应用中。通过对它们的分析，我们可以深入了解社会结构、语言和不同的交流模式，因此图一直是学界研究的热点。图分析任务可以大致抽象为以下四类: ( a )节点分类，( b )链接预测，( c )聚类，以及( d )可视化。其中，节点分类旨在基于其他标记的节点和网络拓扑来确定节点的标签(也称为顶点)。链路预测是指预测缺失链路或未来可能出现的链路的任务。聚类用于发现相似节点的子集，并将它们分组在一起；最后，可视化有助于深入了解网络结构。

真实的图（网络）往往是高维、难以处理的，20世纪初，研究人员发明了图形嵌入算法，作为降维技术的一部分。他们首先根据实际问题构造一个D维空间中的图，然后将图的节点嵌入到d（d