網路嵌入方法（Network Embedding）

  旨在學習網路中節點的低維度潛在表示，所學習到的特徵表示可以用作基於圖的各種任務的特徵，例如分類，聚類，鏈路預測和視覺化。
  由於資訊網路可能包含數十億個節點和邊緣，因此在整個網路上執行復雜的推理過程可能會非常棘手。因此有人提出了用於解決該問題的一種方法是網路嵌入（Network Embedding）。NE 的中心思想就是找到一種對映函式，該函式將網路中的每個節點轉換為低維度的潛在表示。

Network Embedding 簡史

  1）傳統意義上的 Graph Embedding 被看成是一個降維的過程，而主要的方法包括主成分分析（PCA）和多維縮放（MDS）。所有的方法都可以理解成運用一個 n × k 的矩陣來表示原始的 n × m 矩陣，其中 k << n。

  2）在 2000 年代早期，又提出了其他方法，如 IsoMap 和 LLE，以保持非線性流形的整體結構。總的來說，這些方法都在小型網路上提供了良好的效能。 然而這些方法的時間複雜性至少是二次的，這使得它們無法在大規模網路上執行。

  3）另一類流行的降維技術使用可從圖中匯出的矩陣的光譜特性（例如，特徵向量）來嵌入圖的節點。拉普拉斯特徵對映（Laplacian eigenmaps）通過與其k個最小非平凡特徵值相關聯的特徵向量表示圖中的每個節點。