Network Embedding相关

Network Embedding & Graph Embedding

背景：由于当前很多系统背后都以网络的形式呈现，如social networks、biological networks、information networks。网络数据的复杂性首先就要求我们去找到有效的network data representation。传统的表示方法为graph embedding，而由于其高计算复杂度、低并行、以及无法适用于机器学习方法，使得这种依赖于边的表示方法在大数据处理上出现瓶颈。因此出现了有效的network embedding的方法。

network embedding 和 graph embedding都是将图embed到低维的向量空间进行表示，得到每个点的向量表示之后可以进行后续的link prediction、identifying important nodes、inferring node labels（classification）。

Graph Embedding：主要是研究降维技术。1、Isomap：通过计算节点之间的distance，使用KNN算法，得到每个点之间最近的距离，构成一个distance matrix，然后使用典型的multidimensional scaling methos（MDS）来反推出每个node的向量表示。2、Locally Linear embedding（LLE）3、Laplacian eigenmaps（LE）

Network Embedding：主要分为三大类：1、structure and property preserving network embedding；2、network embedding with side information；3、advanced information preserving netwrok embedding（supervised method）。主要的方法：Matrix Factorization、Random Walk、Deep Neural Networks等。

Major difference：两者在目标和假设上都存在明显的不同。目标上：Graph Embedding的目标函数是能够进行图的重建（reconstruction），而Network Embedding的目标函数是reconstructing original networks 并且 support network inference（即在embedding空间中也要保留图的其他特性）。假设上：Graph Embedding实施在包含了各种特征的图数据上，每个节点之间的亲密度已经在边的权重和本来的特征空间中，而Network Embedding可以使用在各种不同的图上，节点之间的亲密程度并没有显示的表现出来，需要专门的分析以及依赖于特点的环境，因此需要联合各种信息，network structure、properties、side information、advanced information等。（个人理解：一个force on 节点之间的距离，一个force on 节点之间的关系程度）

network properties主要是网络节点的转移性