Fast Network Embedding Enhancement via High Order Proximity Approximation——paper 笔记

这篇文章将网络表示学习抽象成一个通用框架，将已有的解决文章解决方法嵌套在这个框架上，以表明框架理论适用性，另外，更高阶的关系矩阵的构建，可以提升网络表示的效果，最后提出了怎样迭代高效的更新网络表示。

邻接矩阵和 Laplacian 矩阵都刻画的是一阶信息，对本地节点间的关系建模。通过随机游走，通过 k 步从 i 节点到达 j 节点，我们可以构造 K 阶信息。得到K阶转移概率矩阵。

NRL的两步框架：

第一步：邻近矩阵的构造，邻近矩阵通常是由 K 阶邻近矩阵的多项式组成。

第二步：降维，用网络 embedding 矩阵和环境 embedding 的点乘来表示邻近矩阵。原理：拉普拉斯矩阵的 d 维特征向量作为 d 维的网络表示。

 

DeepWalk、GraRep、TADW、LINE等都适用于上述的两步框架。

 

最终：加速计算高阶邻近矩阵的方法来了，前面说了这么多，只有最后这两个部分