文献阅读（13）AAAI2017-A Survey on Network Embedding

本文是对《A Survey on Network Embedding》一文的浅显翻译与理解，原文章已上传至个人资源，如有侵权即刻删除。

朋友们，我们在github创建了一个图学习笔记库，总结了相关文章的论文、代码和我个人的中文笔记，能够帮助大家更加便捷地找到对应论文，欢迎star~

Chinese-Reading-Notes-of-Graph-Learning

更多相关文章，请移步：文献阅读总结：网络表示学习/图学习

Title

《A Survey on Network Embedding》（2017）
——AAAI
Author: Peng Cui

个人总结

该文章是对网络嵌入算法的详细综述。

1.介绍了传统网络表示的弊端：
（1）计算复杂度高；（2）并行性低；（3）不适用机器学习模型；

2.对算法和模型进行了分类：
算法可分为三类：
（1）保留结构和属性的嵌入；（2）边信息的嵌入；（3）保留高级信息的嵌入；

模型可分为三类：
（1）矩阵分解；（2）随机游走；（3）深度神经网络；

3.对网络嵌入和图嵌入进行了比较。

4.保留结构和属性的嵌入：
（1）保留结构的嵌入：
a.邻域结构和高阶节点相似度：DeepWalk、Node2vec、LINE、GraRep等；
b.网络社群：MNMF、SDNE、GEM-D等；

（2）保留属性的嵌入：HOPE、SiNE等；

5.边信息的嵌入：
（1）节点语境的嵌入：MMDW、RTM、TADW、LANE等；
（2）异质信息网络嵌入；

6.保留高级信息的嵌入：
（1）信息扩散；（2）异常检测；（3）网络校准；

7.实践中的网络嵌入：
（1）现实世界数据集：
a.社交网络：BLOGCATALOG、FLICKR、YOUTUBE、Twitter等；
b.引文网络：DBLP、Cora、Citeseer、ArXiv等；
c.语言网络：Wikipedia等；
d.生物信息网络：PPI等；

（2）现实应用及评估标准：
a.节点分类：Micro-F1、Macro-F1等；
b.链路预测：precision@、Mean Average Precision(MAP)等；
c.节点聚类：Accuracy(AC)、normalized mutual information(NMI)等；
d.网络可视化；

8.未来研究方向：
（1）更复杂的结构和属性；（2）边信息的效用；（3）更多高级信息和任务；（4）动态网络嵌入；（5）更多嵌入空间；