Network embedding 目前是非常火熱的一個研究方向，特別是從DeepWalk開始，後續引入了大量的工作，在數據挖掘領域沒年都可以看到很多傑出工作，特別是北郵石川老師提出異質信息網絡（HIN）後。隨後很多領域專家老師提出了淺層模型（如矩陣分解，隨機遊走等等），深層模型（神經網絡模型），筆者困擾爲什麼可以這樣化分，化分標準是什麼？如何進行下一步改進？
已經有人證明了Deepwalk,Line , node2vec等等工作都屬於矩陣分解範疇，都屬於淺層模型，其後筆者在看一些論文綜述時，也看到有學者說矩陣分解屬於線性變換，因此學習到的低維表示，只有淺層特徵，因此，引出了深層模型，以希望學習到更爲複雜的表示或者特徵，既非線性表示。
終於今天在看到其他博主關於矩陣分解的一些思考和見解時，意會到了化分標準。可以進一步參考其他博客內容特徵值與特徵向量，矩陣分解
對於AX =aX,其中A矩陣，X爲特徵向量，a爲特徵值，“由於矩陣相當於一個線性變換， 矩陣A與向量相乘，本質上對向量進行一次線性轉換（旋轉或拉伸），而該轉換的效果爲一個常數乘以向量（即只進行了拉伸）。當我們求特徵值與特徵向量的時候，就是爲了求矩陣A能使哪些向量（特徵向量）線性變換後只發生拉伸，不發生旋轉。而拉伸的程度，自然就是特徵值λ了‘’。