Graph Embedding Output

跟 input 不同的是，embedding output 是 task driven，所以在什麼任務底下適合的 embedding 方式不一定適合其他的任務。

Node Embedding

node embedding 是指將 node 轉換到一個低維度的向量空間裡。不同 embedding 的方法下對兩個 node 的『closeness』定義不同。

Edge Embedding

edge embedding 跟 node embedding 類似，目標是將 edge 轉換到一個低維度的向量空間裡。

但是它有一些比較特別的應用場景，例如：knowledge graph embedding。因為需要兩個節點才能成一條邊，所以 edge embedding 同時會考慮到 node 跟 edge 的資訊，目標就是將三位元組 <head, relation, tail> 映射到低維度的向量中，同時保留住 head 跟 tail 之間的 relation。所以當只有只有 head 跟 tail 的時候就可以用來預測這兩個 node 之間的 relation。

困難的點在於：

1. 怎麼去定義 edge 的 closeness，因為邊的組成是由兩個 node 組成，所以 closeness 的定義就會比單純的 node embedding 複雜
2. edge 是有方向性的，所以 closeness 也會因為 node 的順序不同而有所不同
3. 不像 node embedding，edge embedding 要考量的資訊更多，像是 edge 的方向性、權重等等，這都讓 edge embedding 變得更加困難

Hybrid Embedding

同時將 graph 不同的 components，例如：node、edge、community 等等。

1. Substructure Embedding
2. Community Embedding

Whole Graph Embedding

把整個 graph 轉換到一個低維度的向量空間裡，這種 embedding 的方法通常只會使用在比較小的 graph 上，像是 protein、molecule。

• hierarchical graph embedding framework
  • 用來評斷這個 embedding 的好壞
  • 像是 embedding 的時間、保留了多少的資訊