本篇論文是2014年AAAI的一篇論文。
思想也比較簡單，主要是採用SAE（棧式自編碼）無監督學習的形式，在graph上進行node embedding，將embedding得到的每個node的vector做爲輸入，進行graph cluster。論文中採用的是最常用的k-means方法來cluster。
算法如下：
step1 得到graph的n*n的鄰接矩陣S和度矩陣D
step2 將D’S作爲SAE的輸入，實際上是graph有n個node，作爲n個sample的訓練集輸入到 SAE中，每個sample的feature的維度是n表示該點與其他各點的連接情況。
step3 訓練SAE，文中採用的是稀疏自編碼的棧式形式。（自編碼器一般都採用lbfgs的最優化策略來bp，效率和效果較好）
step4 取棧底的AE的hidden層的vector作爲node embedding的結果
step5 將embedding結果作爲k-means的輸入，進行graph cluster，最後用nmi來評價cluster的結果
優點：
1.速度快，相比於譜聚類（涉及了EVD）
2.對於稀疏圖而言，SAE有更好的表達效果
3.SAE更易於擴展成更deep的structure
缺點：
1.需要遍歷所有的node，存儲所有node的鄰接點信息，對於big graph 可能在效率上不怎麼work
2.只是考慮了1-hop的信息，embedding的效果可能不夠好