[人工智能]图节点嵌入：编码器-解码器（cs224w笔记-lecture3.1）

图表示学习（graph representation learning）

图表示学习的意义在于消除每次需要手工特征工程的繁琐,为在图上进行机器学习生成有效的、任务独立(task independent)的特征表示,用于节点分类、链接预测、图分类、异常节点检测、聚类等下游任务。

节点嵌入（embedding nodes）

节点嵌入的目的是对图的节点进行编码，使得节点在嵌入空间（embedding space）的相似度近似节点在图中的相似度.

节点嵌入步骤

1. 编码器将节点隐射为嵌入向量；
2. 定义节点相似度函数，度量节点在原网络的相似度；
3. 解码器将嵌入向量隐射为相似度分数；
4. 寻找最优的编码器参数，使得节点在嵌入空间的相似度接近节点在原始网络中的相似度。
   
   一个简单的编码器（shallow encoder）可以看成是一个嵌入向量的查找表，每列是对一个特定节点的嵌入向量，行数代表嵌入的维度。每行是由每个节点组成。每个节点被分配对应一个独特的嵌入向量（embedding vector）。
   
   解码器基于相似度定义，目标是对于节点对$(U,V)$最大化$Z_v^T{Z}_u$。

节点相似度

选择节点嵌入方法的关键是如何定义节点的相似度。