data & code：
http://dm.nankai.edu.cn/code/STNE.rar
STNE：自翻譯網絡嵌入
該工做認爲在節點屬性與結構信息再本質上是有必定聯繫的，提出 STNE 模型，利用 seq2seq 模型進行特徵提取，將利用節點信息及網絡結構識別節點的過程比喻爲翻譯的過程
1. 簡介
目的：學習網絡中節點的低維表示
將利用節點信息及網絡結構識別節點的過程比喻爲翻譯的過程
論文引用網絡中，每一個節點表明一篇論文，每條邊表明引用關係。每一個節點自身屬性包括文章的摘要，關鍵詞，研究領域等等。該論文的假設依據是，論文所造成的引用網絡與論文自身的屬性之間有較強關係
現有方案：
1. 將結構信息和屬性信息分別進行embedding以後，組合
2. 考慮短距離/固定鄰域範圍保留結構信息（第一/二鄰近）
（複雜問題中很難肯定鄰域範圍）
2. 創新點（貢獻）：
提出基於seq2seq 的模型框架（STNE）
利用網絡上隨機遍歷生成的序列，將節點內容信息翻譯成結構信息，從而結合兩種信息
- 將網絡嵌入轉化爲 seq2seq 任務，從局部建模到序列的全局結構建模，捕獲更多語義信息
- 設計了一個異構的seq2seq 模型，嵌入原始輸入文本，以端到端的方式學習從節點屬性序列到節點指示序列的映射
對比
- 與傳統方法相比， STNE 直接節點序列對建模，從文本序列中自動學習生成函數，將 seq2seq 網絡模型與其餘文本嵌入模型相結合，經過學習內容序列到節點序列的映射，將內容信息和結構信息無縫融合到隱藏層的潛在向量中，高效表示節點
- 根據與節點的不一樣交互提出上下文感知嵌入
- 相對於 CANE: 從相鄰文本節點感知嵌入
- STNE：針對不一樣序列學習動態的節點嵌入（須要更長範圍，更靈活的上下文）
3. 模型框架
STNE 整體框架
圖一整體框架：
1. 給定內容豐富的網絡，經過隨機遊走提取節點序列，並將節點序列分爲兩個部分
- 節點屬性序列
- 節點指示序列（由節點指示向量 one-hot 表示）
2. 經過這兩個序列學習特定的 seq2seq 模型，該模型能夠用於將節點屬性「翻譯」爲節點指示向量
3. 步驟二的目的是獲得中間層的潛在轉換（ 是可用於複雜網絡分析 ）
4. 方法過程
由圖2 可看出，該過程爲：
- 節點屬性---->低維表示（ Encoder ）
- 低維表示---->節點序列（ Decoder ）
並行序列 S 包含：
節點身份序列 Si 和 相關內容序列 Sc
（使用並行序列將網絡嵌入轉化爲機器翻譯問題，從內容到節點的異構自翻譯過程）
映射函數 Sc->Si
更詳細的總結