【论文笔记】Graph Embedding Techniques, Applications, and Performance: A Survey

https://arxiv.org/pdf/1705.02801.pdf
这篇论文列举了目前graph embedding算法，将其分为“因式分解”、“随机游走”、“深度学习”三类，在不同的任务上评估其效果，最后提了点发展方向

前言

1. 图在生物蛋白质结构、社交网络、词共现网络中应用
2. 图分析任务可以分为：
   - 节点分类(随机游走、提特征)
   - 链路预测(相似性方法、最大似然法、概率模型)
   - 聚类(基于距离)
   - 可视化
3. 模型通常作用于：原始图邻接矩阵，或一个生成的向量空间内
4. 获取结点的向量表达的挑战：
   - 选择一个属性。结点的向量表示应表达图结构或者结点关系
   - 伸缩性。需要适应大型图结构的计算需求
   - embedding的维度。大维度信息更全，小维度关系表达更好
5. 论文的贡献：
   
   • 对现有算法分四类，并描述其研究方向和挑战等
   • 系统分析不同算法对应不同问题的效果，测试其效果，综合比较。。。以及鲁棒性、超参等
   • 做了个python包，GEM

定义

1. 图(Graph)：图$G(V,E)$；结点$V=\{v_1,v_2,...,v_n\}$；边$E=\{e_{ij}\}_{i,j=1}^n$；邻接矩阵S，$s_{ij} \geq 0$
2. 第一相似度(First-order proximity)：$s_{ij}$是$v_i$和$v_j$的第一相似度
3. 第二相似度(Second-order proximity)：$s_i=[s_{i1},...,s_{in}]$表达第一$v_i$与邻居的相似度集合，第二相似度为 si</