Deep Neural Networks for Learning Graph Representations论文笔记

Deep Neural Networks for Learning Graph Representations

stack anto-encoder 的相关介绍

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

输入：对角矩阵与转移矩阵的相乘，且$\alpha$概率相乘，$1-\alpha$ 概率回到起点

文章是2016年的，深度学习大火，所以，这篇文章的重点在于应用深度学习，用非线性模型来抓取其中的结构、语义信息。

主体是auto-encoder，auto-encoder的输入是经过随机减少特征的PPMI矩阵，这个PPMI矩阵，是特殊的转移矩阵的经过k步衰减之后的求和。

Random Surfing and Context Weighting

We introduce a row vector $p_k$, whose j-th entry indicates the probability of reaching the j-th vertex after k steps of transitions, and $p_0$ is the initial 1-hot vector with the value of the i-th entry being 1 and all other entries being 0.

那么其实这里的$p_0$只是第$i$个节点的起始状态，$p_k$是以第 $i$个节点起始, 转移 k