网络嵌入是将复杂网络转化为低维向量空间，以便于计算和分析。其目标包括重构网络和支持网络推理。主要分为结构属性保留、侧信息利用和高级信息保留三大类方法，涉及Matrix Factorization、Random Walk、Deep Neural Networks等模型。数据集包括社交网络、引用网络和生物学网络等。
首先这也是我进入一个全新领域的第一步，本文有描述不准确的地方还望指正。
Network embedding也就是将Graph中的node投影到低维度的向量空间中，再进行后续处理的计算。A Survey on Network Embedding 这篇论文对各种方法的优点和缺点都进行了详细的叙述。
很多复杂的系统都是采用网络的形式，比如社交网络，生物网络，和信息网络。通常这些网络都很复杂，不容易处理，计算和分析，所以我们就需要一种方法来将这些原本复杂的网络变得简单化，这样我们处理起来会方便很多。通常我们会使用图来进行表示，但是对于大型网络，显然用图会非常的吃力。并且大型网络具有以下的缺点：
1.很高的计算复杂度
2.低的平行型
3.无法应用时下热门的机器学习算法
为了应对这一困难与挑战，很多人已经在努力研发新的 Network embedding methods. 在 Network embedding space中，节点之间的关系由点之间的距离来表示，结构上的特点由向量来表示。比如：(来自论文A Survey on Network）
一、Network Embedding的两个目标：
1.能够从已经学习到的Emeddi
最低0.47元/天 解锁文章
扫一扫
6363
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
