Representation Learning on Network 网络表示学习-向量化表示

利用网络结构对节点进行向量化表示
    矩阵分解-传统方法
        Laplacian Eigenmaps(LE)
        Graph Factorization)(GF)
        High-Order Proximity preserved Embedding(HOPE)
    
    Random Walk based（随机游走）
        DeepWalk：
            https://blog.csdn.net/weixin_39915444/article/details/80666037
            https://blog.csdn.net/qq_26919935/article/details/76574845
            
        node2vec：
            https://blog.csdn.net/sinat_26917383/article/details/54406344
            
        LINE(Large-scale Information Network Embeddings)
        
        参考：https://blog.csdn.net/u013527419/article/details/76017528
        
    Deep Learning based
        SDNE(Structural Deep Network Embeddings)-通过auto-encoder降维
        DNGR(Deep Neural Graph Representations)
        
Neighborhood Aggregation Algorithms-将节点本身及其邻居节点的属性（比如文本信息）
或特征（比如统计信息）编码进向量中，引入了更多特征信息，并且在邻居节点间共享了一些特征或参数。
    GCN(Graph Convolutional Networks)
        GraphSAGE
        
        

相似性指标：Kate Index, Root Page Rank, Common Neighbors, Adamic-Adar Score等

数据集 dataset
    Synthetic：SYN-SBM
    Social Network：Karate Youtube BlogCatalog
    Biloogy Network: PPI
    Collaboration Network: HEP-TH ASRTO-PH