LINE 方法部分

本文有很多问题，LINE方法暂时略过

1. 一阶相似性

联合概率：一阶相似性实质上是一个sigmoid function函数，向量越接近，点积越大，联合概率越大（有点硬扯）
经验概率：两点之间边的权值越大，经验概率越大
为了保持一阶相似性，一个简单的办法是最小化两者之间的相对熵
因此一阶相似度只能用于无向图，不能用于有向图

2. 二阶相似性

二阶相似度假设共享邻居的顶点彼此相似。每个顶点扮演两个角色：顶点本身和其他顶点的邻居。因此，为每个节点引入两个向量表示ui和ui：ui是vi被视为顶点时的表示，ui是当vi被视为特定邻居时的表示。