network representation learning with rich text information
时间仓促，没有特别仔细的看（之后再更新）
论文的成果有两点：
- 证明deepwalk其实就等价于matrix factorization（DW可以用MF表示）
其中，W矩阵是在skip-gram中中心词的表达，H是上下文的表达。
M在使用softmax的时候是log（词对（vi，ci）出现的次数/vi出现的次数）
2. 对网络进行分解，变成三个矩阵相乘，其中的一部分是text information
其中的T表示text information矩阵
M与1中的M一样，HT是1中的H
学习的优化函数：
299
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
