本論文是kdd2016的一篇論文
主要的目的也是做node embedding。
主要的想法就是通過deep autoencode對node進行embedding，不過在在embedding的時候不僅考慮了1-hop的信息而且考慮了n-hop的信息。使其變成半監督學習的模式（其實就是對loss function改了改）
輸入是一個graph的n*n的鄰接矩陣S，其實可以看成有n個數據的訓練集，每個數據的feature個數是n，即與圖上各點的連接情況
框架如下：
垂直看是正常的deep autoencode（沒有稀疏項），水平看，在每個smaple（node）的最後一個encoding層，還加上了和其他smaple（node）的約束關係，其實就是鄰接關係的約束。
具體看Loss function：
Lmix爲最後的loss function。
L2nd是在正常的算loss的平方差的基礎上點乘了一個B，
其實就是放大了原本鄰接的那一項的loss，爲了使loss越小，bp後，鄰接項就會更有鄰接的趨勢。L1st就是在最後一個encoding層，增加了與其他node的鄰接信息，這樣做的結果就是，在訓練時爲了使loss變小，那麼bp後，yi-yj更加趨於0，也是就是說鄰接項會更加的鄰接。這就是所謂的監督學習，並且這裏就體現了1-hop的信息；而原本的deep autoencode，是無監督學習，並且體現的是 n-hop的信息。因此結合起來就是半監督學習的，考慮1-hop和n-hop信息的一個structure。
Lreg就是L2正則。
訓練時，每次跑完n個node，然後計算loss和梯度，依次BP更新權重即可。