网络表示学习方法（Network Representation Learning/Network Embedding），也称为网络嵌入。简单理解就是一种数据预处理技术，就类似于通信中对原始信号做傅里叶变换或拉普拉斯变换，之后就可以通过频域分析的方法方便理解信号，网络表示学习的物理意义类似。即通过对原始网络数据的变换，使之可以更加方便的用于机器学习任务。
相关综述
入门综述如下，如果英文水平有限，可以先阅读中文版，然后选择第一篇英文综述。第一篇为斯坦福大学老师写的综述，比较深入与详细。建议精读，对于理解网络表示学习有很大帮助。
【1】Representation Learning on Graphs: Methods and Applications.
作者：William L. Hamilton, Rex Ying
论文地址：https://arxiv.org/pdf/1709.05584.pdf
【2】Graph Embedding Techniques, Applications, and Performance: A Survey
作者：Palash Goyal ， Emilio Ferrara
论文地址: https://arxiv.org/pdf/1705.02801.pdf
【3】A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications.
作者：Hongyun Cai, Vincent W. Zheng, Kevin Chen-Chuan Chang
论文地址：https://arxiv.org/pdf/1709.07604.pdf
【4】 Network Representation Learning: A Survey
作者：Daokun Zhang, Jie Yin，Xingquan Zhu， Chengqi Zhang
论文地址：https://arxiv.org/pdf/1801.05852.pdf
【5】涂存超, 杨成, 刘知远, 等. 网络表示学习综述[J]. 中国科学-信息科学
论文地址：http://nlp.csai.tsinghua.edu.cn/~lzy/publications/sc2017_nrl.pdf
一般网络的表示学习
本着由简单到复杂，层层深入的研究原则。网络表示算法最初见于最简单的网络类型，无向、无权值。典型代表如DeepWalk、LINE、Node2Vec等及其变体算法。
1、Deepwalk
[1] Perozzi B, Al-Rfou R, Skiena S. Deepwalk: Online learning of social representations[C]//Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2014: 701-710.
论文：https://arxiv.org/pdf/1403.6652
代码：https://github.com/phanein/deepwalk
2、LINE
[2] Tang J, Qu M, Wang M, et al. Line: Large-scale information network embedding[C]//Proceedings of the 24th International Conference on World Wide Web. International World Wide Web Conferences Steering Committee, 2015: 1067-1077.
论文：https://arxiv.org/pdf/1503.03578
代码：https://github.com/tangjianpku/LINE
3、Node2vec
[3] Grover A, Leskovec J. node2vec: Scalable feature learning for networks[C]//Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2016: 855-864.
论文：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5108654/
代码：https://github.com/aditya-grover/node2vec
4、GCN
[4] Kipf & Welling (ICLR 2017), Semi-Supervised Classification with Graph Convolutional Networks
论文：https://arxiv.org/pdf/1609.02907
代码：https://github.com/tkipf/gcn
5、SDNE
[5] Wang D, Cui P, Zhu W. Structural deep network embedding[C]//Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2016: 1225-1234.
论文：
http://www.kdd.org/kdd2016/subtopic/view/structural-deep-network-embedding
代码：https://github.com/suanrong/SDNE
在此基础上的改进及变体：
[6] Tu C, Zhang W, Liu Z, et al. Max-Margin DeepWalk: Discriminative Learning of Network Representation[C]//IJCAI. 2016: 3889-3895.
http://weichengzhang.co/src/paper/ijcai2016_mmdw.pdf
[7] Yang C, Liu Z, Zhao D, et al. Network representation learning with rich text information[C]//IJCAI. 2015: 2111-2117.
http://www.aaai.org/ocs/index.php/IJCAI/IJCAI15/paper/download/11098/10957
[8] Yang C, Liu Z. Comprehend deepwalk as matrix factorization[J]. arXiv preprint arXiv:1501.00358, 2015.
https://arxiv.org/pdf/1501.00358
（未完待续，持续更新中）
异质网络的表示学习
6、metapath2vec
[9] Dong Y, Chawla N V, Swami A. metapath2vec: Scalable representation learning for heterogeneous networks[C]//Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2017: 135-144.
论文：https://www3.nd.edu/~dial/publications/dong2017metapath2vec.pdf
代码：
[10] Shi C, Hu B, Zhao X, et al. Heterogeneous Information Network Embedding for Recommendation[J]. IEEE Transactions on Knowledge and Data Engineering, 2018.
论文：https://arxiv.org/pdf/1711.10730
代码：
[11] Huang Z, Mamoulis N. Heterogeneous information network embedding for meta path based proximity[J]. arXiv preprint arXiv:1701.05291, 2017.
论文：https://arxiv.org/pdf/1701.05291
（后续更新、、、）
动态网络的表示学习
[12] Li T, Zhang J, Philip S Y, et al. Deep Dynamic Network Embedding for Link Prediction[J]. IEEE Access, 2018.
论文： https://ieeexplore.ieee.org/iel7/6287639/6514899/08365780.pdf
（后续更新、、、）
网络表示学习是2014年开始逐渐兴起的研究问题，已经产生了很多有意思的工作（IJCAL、KDD、AAAI、CIKM等高水平会议上文章不断），方兴未艾，期待更多学者关注与参与此方面的研究。