论文笔记之Learning Deep Representations for Graph Clustering

本篇论文是2014年AAAI的一篇论文。

思想也比较简单，主要是采用SAE（栈式自编码）无监督学习的形式，在graph上进行node embedding，将embedding得到的每个node的vector做为输入，进行graph cluster。论文中采用的是最常用的k-means方法来cluster。

算法如下：

step1 得到graph的n*n的邻接矩阵S和度矩阵D

step2 将D’S作为SAE的输入，实际上是graph有n个node，作为n个sample的训练集输入到 SAE中，每个sample的feature的维度是n表示该点与其他各点的连接情况。

step3 训练SAE，文中采用的是稀疏自编码的栈式形式。（自编码器一般都采用lbfgs的最优化策略来bp，效率和效果较好）

step4 取栈底的AE的hidden层的vector作为node embedding的结果

step5 将embedding结果作为k-means的输入，进行graph cluster，最后用nmi来评价cluster的结果

优点：

1.速度快，相比于谱聚类（涉及了EVD）

2.对于稀疏图而言，SAE有更好的表达效果

3.SAE更易于扩展成更deep的structure

缺点：

1.需要遍历所有的node，存储所有node的邻接点信息，对于big graph 可能在效率上不怎么work

2.只是考虑了1-hop的信息，embedding的效果可能不够好