图编码算法总结 Graph Embedding Methods

写在最前
来总结一下最近几周看的图编码算法，还蛮有意思的。

图算法：
1.经典数据结构与算法层面：最小生成树（Prim，Kruskal，…），最短路（Dijstra，Floyed，…），拓扑排序，关键路径等；
2.概率图模型，涉及图的表示，推断和学习，Koller的书/公开课；
3.图神经网络，主要包括Graph Embedding （基于随机游走）和Graph CNN（基于邻居汇聚）两部分。

图编码：
Graph Embedding技术将图中的节点以低维稠密向量的形式进行表达，要求在原始图中相似（不同的方法对相似的定义不同）的节点在低维表达空间也接近。得到的表达向量可以用来进行下游任务，如节点分类，链接预测，可视化或重构原始图等。

基于随机游走的图编码算法：
Deepwalk 构建同构网络，从每个节点开始分别进行random walk采样，得到局部相关联的训练数据；对采样数据进行skipGram训练，将离散的网络节点表示成向量化，最大化节点共现，使用Hierarchical Softmax来做超大规模分类的分类器。
将截