网络表征学习综述

其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。

• 书的购买链接
• 书的勘误，优化，源代码资源

背景

当前机器学习在许多应用场景中已经取得了很好的效果，例如人脸识别与检测、异常检测、语音识别等等，而目前应用最多最广泛的机器学习算法就是卷积神经网络模型。但是大多应用场景都是基于很结构化的数据输入，比如图片、视频、语音等，而对于图结构（网络结构）的数据，相对应的机器学习方法却比较少，而且卷积神经网络也很难直接应用到图结构的数据中。在现实世界中，相比图片等简单的网格结构，图结构是更泛化的数据结构，比如一般的社交网络、互联网等，都是由图这种数据结构表示的，图的节点表示单个用户，图的边表示用户之间的互联关系。针对网络结构，用向量的数据形式表示网络结构、节点属性的机器学习方法就是网络表征学习。

图的邻接矩阵是将边的信息表示成了N*N的矩阵（N为节点个数）通过邻接矩阵可以将图重建，那么是否可以直接用邻接矩阵的列向量作为图节点的表示向量呢？其实是可以的，但是这种表示形式有两个问题：第一，图结构中，任意两个节点不一定是相连的，通常一个节点仅有很少的邻居，因此邻接矩阵是稀疏矩阵，倘若节点数目很多（如社交网络，用户可能达百万级甚至更多），以邻接矩阵直接表示图结构将非常不划算。第二，邻接矩阵仅仅表示了边的信息，而无法加入节点的本身属性，在当前的很多应用中，我们不仅仅需要表示图的结构属性，而且还伴随着节点本身的属性（比如社交网络中，每个用户的性别，年龄，爱好等）综合以上两点问题，网络表征学习的目的就有了两个：第一，我们要学习一种低维度的向量表示网络节点，将节点映射到相应的向量空间，这种网络表征学习就是关于图结构的网络表征学习，也称网络嵌入；第二，我们的表示不仅仅可以表征网络结构，同时也可以表征节点本身自带的属性，这种表征学习，就是伴随节点属性的网络表征学习。通常第二种表征学习方法都是从第一种方法中推广而来。

 

关于图结构的网络表征

学习关于图结构的网络表征学习重点关注的是网络的拓扑结构与性质，是网络表征学习中最基本的一类方法，其目的在于如何得到节点在低维空间中的向量表示，使得向量之间的关系可以保持图结构中节点之间的结构关系。同时，我们需要确定向量之间距离的一种度量方式，用来表征对应节点之间的相似性。

节点