网络表示学习（NRL）方向--论文整理

网络表示学习方法（Network Representation Learning/Network Embedding），也称为网络嵌入。简单理解就是一种数据预处理技术，就类似于通信中对原始信号做傅里叶变换或拉普拉斯变换，之后就可以通过频域分析的方法方便理解信号，网络表示学习的物理意义类似。即通过对原始网络数据的变换，使之可以更加方便的用于机器学习任务。

相关综述

入门综述如下，如果英文水平有限，可以先阅读中文版，然后选择第一篇英文综述。第一篇为斯坦福大学老师写的综述，比较深入与详细。建议精读，对于理解网络表示学习有很大帮助。
【1】Representation Learning on Graphs: Methods and Applications.
作者：William L. Hamilton, Rex Ying
论文地址：https://arxiv.org/pdf/1709.05584.pdf
【2】Graph Embedding Techniques, Applications, and Performance: A Survey
作者：Palash Goyal ， Emilio Ferrara
论文地址: https://arxiv.org/pdf/1705.02801.pdf
【3】A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications.
作者：Hongyun Cai, Vincent W. Zheng, Kevin Chen-Chuan Chang
论文地址：https://arxiv.org/pdf/1709.07604.pdf
【4】 Network Representation Learning: A Survey
作者：Daokun Zhang, Jie Yin，Xingquan Zhu， Chengqi Zhang
论文地址：