无论是network embedding 还是graph embedding都是通过节点(node)和边的图，学出每个节点的embedding向量。
比较流行的算法有：
| Model | Paper | Note |
|---|---|---|
| DeepWalk | [KDD 2014]DeepWalk: Online Learning of Social Representations | 【Graph Embedding】DeepWalk：算法原理，实现和应用 |
| LINE | [WWW 2015]LINE: Large-scale Information Network Embedding | 【Graph Embedding】LINE：算法原理，实现和应用 |
| Node2Vec | [KDD 2016]node2vec: Scalable Feature Learning for Networks | 【Graph Embedding】Node2Vec：算法原理，实现和应用 |
| SDNE | [KDD 2016]Structural Deep Network Embedding | 【Graph Embedding】SDNE：算法原理，实现和应用 |
| Struc2Vec | [KDD 2017]struc2vec: Learning Node Representations from Structural Identity | 【Graph Embedding】Struc2Vec：算法原理，实现和应用 |
一般的应用框架如下：
1、构建图： Item和item的共现相似矩阵可以构成一个网络，其中每个item都是节点，相似度达到一定阈值的两个item直接有边连接，相似度达不到阈值的不连接。
2、游走策略： 在网络里面，从一个节点随机走到有连线的下一个节点。走若干步，就得到了一个节点的序列。
deepwalk 选择下一步的概率为该节点连接的所有的边的相似度值取softmax, 也就是scale到0~1的概率值。node2vec 方法结合了DFS和BFS的方式。
3、学embedding 向量: 把随机游走的序列放到word2vec模型里面学，得到每个节点的embedding向量。
4、使用学到的embedding 向量 使用机器学习方法进行分类。
总结链接：https://github.com/shenweichen/GraphEmbedding