Community Preserving Network Embedding 论文笔记

Community Preserving Network Embedding

网络性质	属性、标签	权重	方向	方法	任务
同质	有	有权	有向	matrix factorization	node classification
异质	无	无权	无向	random walk	link prediction
/	/	/	有向&无向	deep learning	clustering (community detection)
/	/	/	/	transition matrix	visualization

复杂度，一阶、二阶，用到哪些信息。输入 输出

结构信息

同样是一阶相似度、二阶相似度，文中说了一个，Modularized Nonnegative Matrix Factorization (M-NMF) 的方法，就是平时在 community detection 中，人关于标签的矩阵，因为这儿不好解释，所以用了 bias matrix 的说法。

一阶相似性： $S^{(1)}=[S_{i,j}^{(1)}]$ 就是邻接矩阵的变种吧，有边就有一个大于0 的值，没有边就还是等于0，

二阶相似性：$S^{(2)}=[S_{i,j}^{(2)}]=\frac{S_i^{(1)}{S}_j^{(1)}}{\Vert S_i^{(1)}\Vert \Vert S_j^{(1)}\Vert }$也就是高中 cosine 值的算法

总体来说 $S=S^{(1)}+\eta S^{(2)}$ ，并且$S,S^{(1)},S^{(2)}\in {\mathbb{R}}^{n\times n}$

好的，到这儿呢，肯定会出现一个 embedding 的矩阵，叫做 U ∈ R n × m , m U \in \mathbb R ^{n \times m}, m U∈R