图嵌入

1. Graph Embedding & Node Embedding 综述

图嵌入是把高维的图数据映射为低维稠密向量的过程。

图嵌入分为结点嵌入和图嵌入：

• 结点嵌入：把高维结点嵌入到低维空间中，用于结点分类、结点相似度判断、结点分布可视化
• 图嵌入：把整个图嵌入为一个向量，用于图级别的预测、整个图结构的预测

在向量空间中保持连接的点，在嵌入过程中彼此靠近，因此有了 LE，LLE

嵌入的目的

1. 压缩数据
2. 嵌入到向量空间，具有灵活性，使计算方式更加丰富

2. 节点嵌入 Node Embedding

分为三类：

1. 基于因子分解的算法
2. 基于随机游走的节点嵌入算法
3. 基于深度学习的节点嵌入算法

2.1 基于因子分解的算法

代表算法：

1. Locally Linear Embedding, LLE
2. Laplacian Eigenmaps, LE
3. Cauchy Graph Embedding