概述
论文主要观点
本文将抽取网络中节点的特征转化成最优化一个“可能性”目标函数问题，这个“可能性”是该节点可以保存其邻居节点的信息。
成果
- node2vec，如上述，利用SGD优化，高效
- “随机选择邻居”算法，可让node2vec可适应不同的网络
方法模型
-
定义可能性，并且给予两个条件，构成要优化的目标函数；
条件独立性：
节点之间对称性：
最后目标函数：
- 既然目标函数描述的是此节点能保存相邻节点的可能性，那么最重要的就是对于相邻节点的选择算法了，在这里本文利用了一种“Random Walks”的方式，其中含有几个参数，该算法可以在BFS和DFS中随意变换以达到最好的效果，这部分没具体看，不做详细记录。
创新点
本文的“保存相邻节点可能性”来自于一篇自然语言处理论文，在自然语言中，源文件是线性的，只要设置一个“滑动窗口”即可方便实现。那么本文将该线性方法使用到非线性的图中，创新点就在于引入“Random Walks”的邻居节点选择方式。
总结
本文的特征抽取方式类似于聚类分析的非监督方法，本质上都是利用相邻节点之间的联系。文中提到了网络中的节点一般有两种相似度量：1.内容相似性，2.结构相似性。其中内容相似性主要是相邻节点之间的相似性，而结构上相似的的点并不一定是相邻的，可能隔得很远，这也是文中为何要把BFS和DFS相结合来选择邻居节点的原因。
我的想法
- 这是一篇很有启发作用的好文章。总的来说，你可以以两个方式来看一个网络中的节点，第一，“看本身”，只看这个节点，用其本身的表象来抽取特征，对应于监督方式；第二，“看联系”，看其和其周围的节点，其周围节点一定具有一定的相似度，对应于无监督方式。
- 那么对于任何问题，我们如果想去看联系，首先要根据某种规则让他们存在联系，这种存在联系的过程必须是自然的，才能很好的体现出“无人为干预”的自主聚类形式。
