网络表示学习初总结（Network embedding）

       Network embedding 目前是非常火热的一个研究方向，特别是从DeepWalk开始，后续引入了大量的工作，在数据挖掘领域没年都可以看到很多杰出工作，特别是北邮石川老师提出异质信息网络（HIN）后。随后很多领域专家老师提出了浅层模型（如矩阵分解，随机游走等等），深层模型（神经网络模型），笔者困扰为什么可以这样化分，化分标准是什么？如何进行下一步改进？

     已经有人证明了Deepwalk,Line , node2vec等等工作都属于矩阵分解范畴，都属于浅层模型，其后笔者在看一些论文综述时，也看到有学者说矩阵分解属于线性变换，因此学习到的低维表示，只有浅层特征，因此，引出了深层模型，以希望学习到更为复杂的表示或者特征，既非线性表示。

     终于今天在看到其他博主关于矩阵分解的一些思考和见解时，意会到了化分标准。可以进一步参考其他博客内容特征值与特征向量，矩阵分解

   对于AX =aX,其中A矩阵，X为特征向量，a为特征值，“由于矩阵相当于一个线性变换， 矩阵A与向量相乘，本质上对向量进行一次线性转换（旋转或拉伸），而该转换的效果为一个常数乘以向量（即只进行了拉伸）。当我们求特征值与特征向量的时候，就是为了求矩阵A能使哪些向量（特征向量）线性变换后只发生拉伸，不发生旋转。而拉伸的程度，自然就是特征值λ了‘’。