grl综述
问题定义
权重越大，空间中距离越近
用输入来分类：
同构:节点和边都只有一种
异构：多模态的图、知识图谱
label是onehot、attribute是离散或者连续
第四种流行学习–降维方法
按输出来分类：
节点、边、子图、全图（蛋白质或者分子来比较多个图的相似性
方法来分类：
矩阵分解（奇异值、特征值）、random walk（deep walk）、cnn或者autoencoder、自定义损失函数（最大化边重建概率、最小化距离损失函数，常见于kg）
历史：
传统降维，le拉普拉斯，最近五年
locally linear embedding：流行学习，高维中有低纬度结构，通过lle降维，做法是算邻居集合，计算低纬度的embedding
word2vec
skip-gram model：每个词特征可以预测周围的词，概率softmax计算，负采样来防止softmax开销大
deep walk：从图中的每个节点出发随机进行random walk来采样，重复，得到path当成sentence，就可以做word2vec了
node2vec：deepwalk选择下个节点是均匀的，但是node2vec是不均匀的，可以bfs或者dfs，打转或者往深处走
line：自定义两个损失函数：1一阶临界关系 2二阶临接关系
transx：一系列方法，就只是head embed+relation embed=tail embed
sdne:autoencoder，输入是点的vector，三项损失，点自身的重建损失+临接的点之间+正则化
graphGAN
motivation
之前按输入、输出、方法来分类
g生成式模型：如deepwalk
d判别式模型：直接去学习两个点之间有边的概率，如sdne、ppne
g和d怎么联合？gan中用minimax game来联合
g是要接近ture，d是试图判断有无边，minmax操作：对每个点都做（g对真实的点的给分+d对给定g的参数的给分）
g：hierarchical sigmod函数
d：求导会有麻烦（policy gradient）
framework
问题：
1、没考虑图的结构特征（把图看成二叉树）
2、负采样不是很好，生成的不符合概率分布
提出 graph softmax
1、bfs搜索得到树
2、计算邻居概率（relevence 概率）
3、边计算边sample
实验：
1、预测边概率
2、节点分类
3、推荐
more work
dkn：推荐系统
shine：预测用户微博情感