Variation Autoencoder Based Network Representation Learning for Classification——paper 笔记

传统的方法是矩阵降维和矩阵分解作为表示，但是不适用于大型网络。

借鉴 nlp 中的处理思路，先 随机游走，处理成节点序列，再使用节点在上下文中的表示。缺点：无法使用节点自身的信息。

本文提出一种直观的方法是分别单独学习文本表示和网络结构，然后把两种独立的表示合并在一起。

将网络的邻接矩阵和训练好的内容表示作为输入，经过 VAE 得到 embedding 表示。

联合训练模型中的VAE的 loss，两个 KL 散度分别计算。

论文缺点：更多是思维的创新，实际操作的可行性有待验证，adjacency matrix 的大小变化等；