图上的机器学习系列-聊聊LINE

前言
本篇继续GraphEmbedding旅途，来聊聊LINE这个方法，对应的paper为《LINE: Large-scale Information Network Embedding》。

---广告时间，欢迎关注本人公众号：

LINE的核心方法
首先，还是先来脑补一下LINE方法的思考过程：

相似度&距离
在上一篇中，我们已经知道DeepWalk是采用类似于Word2Vec的方法，用一个节点的邻居序列来保存节点在网络中的拓扑结构，使得图中距离较近的节点在新的向量空间中也有较近的距离，但确实没有显示化地定义一个距离相似度的目标函数，也不是基于对目标函数的求解来得到向量表达的。LINE方法则明确定义一个量化的相似度计算公式，而且不仅包含一阶相似度，还包括了二阶相似度。

一阶相似度通常就是节点之间直接相连的边，可以用边的权重来度量。二阶相似度其实也容易理解，就是两个节点很可能没有边相连，但它们有很多共同的邻居节点，如下图所示：

事实上，我们回想一下DeepWalk的方法，也可以捕捉到5，6两个节点的邻居相似性对吧？但因为DeepWalk本身没有引入节点之间边的权重，所以较难量