無論是network embedding 還是graph embedding都是通過節點(node)和邊的圖，學出每個節點的embedding向量。
比較流行的算法有：
| Model | Paper | Note |
|---|---|---|
| DeepWalk | [KDD 2014]DeepWalk: Online Learning of Social Representations | 【Graph Embedding】DeepWalk：算法原理，實現和應用 |
| LINE | [WWW 2015]LINE: Large-scale Information Network Embedding | 【Graph Embedding】LINE：算法原理，實現和應用 |
| Node2Vec | [KDD 2016]node2vec: Scalable Feature Learning for Networks | 【Graph Embedding】Node2Vec：算法原理，實現和應用 |
| SDNE | [KDD 2016]Structural Deep Network Embedding | 【Graph Embedding】SDNE：算法原理，實現和應用 |
| Struc2Vec | [KDD 2017]struc2vec: Learning Node Representations from Structural Identity | 【Graph Embedding】Struc2Vec：算法原理，實現和應用 |
一般的應用框架如下：
1、構建圖： Item和item的共現相似矩陣可以構成一個網絡，其中每個item都是節點，相似度達到一定閾值的兩個item直接有邊連接，相似度達不到閾值的不連接。
2、游走策略： 在網絡里面，從一個節點隨機走到有連線的下一個節點。走若干步，就得到了一個節點的序列。
deepwalk 選擇下一步的概率為該節點連接的所有的邊的相似度值取softmax, 也就是scale到0~1的概率值。node2vec 方法結合了DFS和BFS的方式。
3、學embedding 向量: 把隨機游走的序列放到word2vec模型里面學，得到每個節點的embedding向量。
4、使用學到的embedding 向量 使用機器學習方法進行分類。
總結鏈接：https://github.com/shenweichen/GraphEmbedding