在某些情况下，重要的是不仅要学习节点的嵌入，还要学习整个图。在这篇中，我们介绍了几种可以有效地学习整个图嵌入的方法，包括节点嵌入的聚合（aggregation of node embeddings），以及匿名行走嵌入方法（ anonymous walk embedding approach）。
文章目录
- 1. 目标
- 2. 方法
- 3. 如何使用Embeddings
1. 目标
比如，可以用来区分哪些分子是有毒的，哪些是无毒的。
2. 方法
方法1：
方法1的思想很简单，就是简单的将图或者子图中的所有节点的embedding相加，或者求平均，得到图的embedding。
方法2：
方法3（Anonymous Walk Embeddings）：
从节点u开始匿名游走以建立与u在给定距离内的所有节点构成的子图，这种分布唯一地决定了u中的马尔科夫过程，所以不存在两个不同的子图具有相同的匿名游走分布。这意味着两个匿名游走分布相似的图应该在拓扑结构上相似。因此定义了基于特征的网络嵌入在匿名行走的分布，并展示了一种有效的采样方法，该方法近似于大型网络的分布。
匿名随机游走的数量随着长度而增加。
新思想：
- 总结：
3. 如何使用Embeddings
