DeepWalk
论文地址DeepWalk: Online Learning of Social Representations
DeepWalk是对图从一个节点开始使用random walk来生成类似文本的序列特征，然后将节点id作为一个个词使用skip gram训练得到词向量。
node2vec
论文地址node2vec: Scalable Feature Learning for Networks
node2vec是在DeepWalk的基础上，定义了一个bias random walk的策略生成序列，仍然用skip gram进行训练。论文分析了DFS和BFS两种游走方式，保留的网络结构信息是不一样的。
MMDW
论文地址Max-Margin DeepWalk Discriminative Learning of Network Representation
MMDW是将DeepWalk和Max-Margin(SVM)结合起来解决监督学习问题。DW本身是非监督的，如果能够引入label数据，生成的向量对于分类问题会有更好的作用。
TADW
论文地址Network Representation Learning with Rich Text Information
DW实际上等同于对于一个特殊矩阵M的分解。在实际应用中，有一些节点会有文本信息，所以将文本直接以一个子矩阵的方式加入，会使学到的向量包含更丰富的信息。
GraRep
论文地址Learning Graph Representations with Global Structural Information
GraRep沿用矩阵分解的思路，分析了不同k-step所刻画的信息是不一样的，所以可以对每一个step的矩阵作分解，最后将每个步骤得到的向量表示拼接起来作为最后的结果。
LINE
论文地址Large scale information network embedding
LINE分析了一度相似性和二度相似性，其中一度相似性是两个点直接相连，边权重越大说明两个点越相似；二度相似性则是两个点之间共享了多少邻居，邻居越多，说明相似性越高。
NEU
论文地址Fast Network Embedding Enhancement via High Order Proximity Approximation
文章分析了一些视为矩阵分解的embedding的方法，如果矩阵分解能更精确地包含高阶信息，效果会更好。
在上面的论文中我们只考虑了网络结构，但真实世界中的节点和边往往都会含有丰富的信息。例如在Quora场景中，每个用户自身会有一些label和文本，在一些场景里甚至边也会带上一些label，这些信息对于网络的构建其实是至关重要的，前面我们也看到了TADW将节点的文本信息纳入训练，下面罗列一些这个方向相关的论文。
CANE
论文地址Context-Aware Network Embedding for Relation Modeling
CENE
论文地址A General Framework for Content-enhanced Network Representation Learning
Trans-Net
论文地址Translation-Based Network Representation Learning for Social Relation Extraction
SSC-GCN
论文地址Semi-Supervised Classification with Graph Convolutional Networks
SDNE
论文地址Structural Deep Network Embedding
PTE
论文地址Predictive Text Embedding through Large-scale Heterogeneous Text Networks
HINES
论文地址Heterogeneous Information Network Embedding for Meta Path based Proximity
