论文阅读笔记——Graph Embedding Techniques,Applications, and Performance:A survey

论文阅读笔记——Graph Embedding Techniques,Applications, and Performance:A survey

摘要：本文对嵌入任务进行了一个介绍，将图嵌入的方法分为了以下三类：因式分解、随机游走以及深度学习，对这些方法分别进行了介绍并提供了代表性算法的实例、分析了其在各种任务上的性能。

1. 图分析任务分类及其实现方法：

2. 获得图的每个节点的向量表示面临的挑战：
①性能选择：一个好的节点向量表示应该保存图的结构以及每个节点间的链接。
②可扩展性：大多数真实的网络都包含着上百万个节点和边。
③嵌入的维度：高维度能提高图重建的精确度，但时间长且复杂；低纬度关系表达更好。

3. 贡献：
①对图嵌入方法进行了分类；
②对多种图嵌入模型进行了系统分析并讨论了其在多种任务上的性能；
③做了一个python包GEM

4. 算法分类

4.1图嵌入研究的背景与发展：
①2000年早期算法思想：在向量空间中使连接的节点彼此靠近
算法：Laplacian Eigenmaps、Locally Linear Embedding(LLE)
——>2010年后，图嵌入的研究思想转为：利用实际网络的稀疏性获取可扩展的图嵌入技术
算法：Graph Factorization、LINE、HOPE、SDNE

4.2图嵌入方法分类：

①基于因式分解的方法：使用矩阵表示节点间的连接（邻接矩阵、拉普拉斯矩阵、节点转移概率矩阵、Katz相似矩阵），并分解矩阵获得嵌入。
②基于随机游走的方法：对于智能观察到部分图形的情况特别有用。
③基于深度学习的方法：深层自编码器能够对数据中的非线性结构进行建模，可用来降维。

5. 应用：
①网络对比
②可视化
③聚类
④连接预测
⑤节点分类

6. 未来的研究方向：
①探索非线性模型
②演技网络的演化
③生成综合模型