[toc]
NRL:Network representation learning
NRL(网络表示学习)
GE(Graph Embedding图嵌入) ：侧重于降维； 更加强调是传统的图表示方法，比如LLE，LE，GF等
NE(Network Embedding网络嵌入)： 侧重是对于后来这种分布式假设的表示方法；比如Deepwalk，node2vec，LINE等。它们不仅关注降维任务，还更加强调要尽可能大的保存网络属性，比如高阶的近邻关系或者网络中的某些特性（如同质性/结构等价性等）。
关于NRL/GE/NE的相关理论和文献:
《A Tutorial on Network Embeddings》. //这是今年Deepwalk团队的作者给的综述（教程），写的很好。
《Graph Embedding Techniques, Applications, and Performance: A Survey.》 //该文写的比较浅显，但整体上不错，适合初学者，并且提供了GEM工具包。
《A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications》. //该文写的比较全面，适合进阶。
A Tutorial on Network Embeddings
paper：https://arxiv.org/abs/1808.02590
中文阅读-A Tutorial on Network Embeddings
DeepWalk
DeepWalk原理理解：DeepWalk: online learning of social representations