NE 的中心思想就是找到一種映射函數，該函數將網絡中的每個節點轉換爲低維度的潛在表示。
傳統意義上的 Graph Embedding 被看成是一個降維的過程，而主要的方法包括主成分分析（PCA）和多維縮放（MDS）。所有的方法都可以理解成運用一個 n × k 的矩陣來表示原始的 n × m 矩陣，其中 k << n。
另一類流行的降維技術使用可從圖中導出的矩陣的光譜特性（例如，特徵向量）來嵌入圖的節點。拉普拉斯特徵映射（Laplacian eigenmaps）通過與其k個最小非平凡特徵值相關聯的特徵向量表示圖中的每個節點。
嵌入（embedding），即用連續向量表示離散變量的方法，像機器翻譯中的詞嵌入和分類變量中的實體嵌入，都是嵌入的成功應用。
嵌入（Embeddings）
在神經網絡中，嵌入後的數據維度較低，它能將離散的序列映射爲連續的向量。
神經網絡嵌入的主要用途有三種：
- 在嵌入空間中找到最近鄰。
- 作爲有監督的機器學習模型的輸入。
- 挖掘變量間的關係。
-
神經網絡嵌入還克服了獨熱編碼的侷限性。
獨熱編碼（One-Hot Encoding）的侷限性
獨熱編碼用於處理類別變量的最簡單的嵌入方法，能夠將不同的類別映射爲不同的向量。獨熱編碼保證了每一個取值只會使得一種狀態處於“激活態”，也就是說這N種狀態中只有一個狀態位值爲1，其他狀態位都是0。
獨熱編碼有兩大缺陷：
1.當類別的數量很多時，特徵空間會變得非常大。映射後的向量容易產生維數災難。
2. “相似”的類別映射在嵌入空間後並不相鄰。
第二個問題同樣帶來了很大的侷限性：獨熱編碼並沒有讓相似的類別在嵌入空間中相鄰。在進行獨熱編碼後，利用餘弦相似度計算出的向量間的相似度均爲0。
學習嵌入（Learning Embeddings）
通過在有監督的任務中使用神經網絡學習嵌入，可以大大提高嵌入能力。權重是學習嵌入過程中的重要參數，起調節作用以最小化損失函數。
嵌入本身並不是那麼有趣，它們只是一些向量。爲了計算相似度，我們選擇一本書，計算它與所有書目的點積。(如果我們的嵌入是標準化的，點積爲向量之間的餘弦距離從-1，即最不相似，到+1，即最相似。此外還可以使用歐幾里德距離來測量相似度)。
神經網絡嵌入能夠將離散的數據表示爲連續的低維向量，克服了傳統編碼方法的侷限性，能查找最近鄰，作爲另一個模型的輸入以及進行可視化，是處理離散變量的有效工具，也是深度學習的有效應用。