对network embedding的理解

Network Embedding：网络嵌入方法

               旨在学习网络中节点的低维度潜在表示，所习得的特征表示可以用作基于图的各种任务的特征(如：分类、类聚、链路预测和可视化)

Network Embedding的介绍

 在整个网络上执行复杂推理过程非常困难，由于信息网络包含数十亿个节点和边缘，故提出：网络嵌入方法。

NE的中心思想：找到一种映射函数，该函数将网络中的每个节点转化为低维度的潜在表示

NE的特征：

适应性（adaptability）：新的算法

可扩展性（scalability）：网络嵌入算法应能在短时间内处理大规模网络

社区感知（community aware）：要求同质网络泛化

低维（low dimensional)：标记数据缺失时，低维模型可以更好地推广并加速收敛和推理

持续（continuous）：模拟连续空间中的部分社区成员资格

NE简史

1.graph embedding：是一个降维的过程，主要方法包括:分析(PCA)和多维放缩(MDS),所有方法可被理解为运用一个n*k的矩阵来表示原始n*m矩阵，其中k<<n

2.早期提出的两种降维方法：IsoMap（等度量映射）和LLE（局部线性嵌入） 【保持非线性流形的整体结构，这些方法在小型网络上提供了良好的性能，但由于这些方法的时间复杂度至少是二次的，这使得它们无法在大规模网络上运行】

LLE：被称为局部模型，只关注样本点和邻居们的关系。局部线性嵌入试图保持邻域内样本之间的线性关系

ISOMAP:全局模型，MDS的一个变种。利用流形在局部上和欧式空间同胚这个性质，对每个点基于欧式距离找出其邻近点，建立近邻连接图（近邻点之间存在连接，非近邻点之间不存在），所以计算两点之间的地线距离问题转化成为计算近邻点连