作者：Aditya Grover，Jure Leskovec
年份：2016
期刊：KDD
研究内容：Network Embedding。网络的特征学习和向量化表达，在multi-label classification和link prediction两个方面得到了有效性验证。
七月份精读过，不过当时没有记录太多。是一片适合作为random surfer model的入门之作。
主要方法：
¶Rrandom walk neighborhood sampling 获得圈子训练集。
当从节点t移动到节点v时，v移动到下一个节点x的概率由节点t到节点x的距离决定。
¶Skip-gram训练得到的Embedding模型。
训练时，输入时初始的node u，输出的random walk采样到的neighbor nodes。类似于word2vec 中的输入时一个词，输出是上下文的词进行训练。
¶结果展示
可以根据选择不同的步长和概率参数得到不同的结果，如发现社交圈子（上图），或者发现在网络结构中处在类似地位的节点（下图）。
借鉴意义：可对社交网络中用户节点转化成向量，然后计算用户节点与相连节点的相似性，作为亲密度度量的手段。