Graph Embedding和Network representation learning一樣嗎？

1樓：張小磊

NRL(網路表示學習)是表示學習(RL)技術的乙個子集，其中RL是更加廣泛的資料表示，NRL更關注Network/Graph的表示。

GE/NE可以看做是對於NRL的子集，都是對於網路進行表示學習的方法。

其中GE更加強調是傳統的圖表示方法，比如LLE，LE，GF等，它們更加側重於降維任務。

其中NE更加側重是對於後來這種分布式假設的表示方法，比如Deepwalk，node2vec，LINE等，它們不僅關注降維任務，還更加強調要盡可能大的儲存網路屬性，比如高階的近鄰關係或者網路中的某些特性（如同質性/結構等價性等）。

A Tutorial on Network Embeddings. //這是今年Deepwalk團隊的作者給的綜述（教程），寫的很好。

大家想明確區分每個概念的想法很好，但也不要鑽牛角尖，至於每個概念的含義，他們確實存在交叉，有的時候也不能完全區分開，大致了解就好。畢竟我們還是要更加關注概念背後的動機與原理。概念不就是起了個名字嘛，大牛想叫他啥就是啥，有的時候確實沒啥特殊含義。

2樓：張大帥

emb只是表示的一種方式，但是是一種主要和現在主流的方式。而網路一定可以看成圖，所以說兩者是乙個東西問題不大：按照現在的情況看兩者的研究方法和思路基本完全一致，做A就等於做B。

當前看來做這倆，都等價於做深度圖網路，核心難題是如何在圖結構上設計一種合理的pooling操作、如何在不定長local結構上share引數、如何減少訓練方差和如何在大規模圖結構上加速訓練等問題。