无论是network embedding 还是graph embedding都是通过节点(node)和边的图，学出每个节点的embedding向量。
1.Network embedding
是指图结构本来就存在的，或者是从另外的数据统计构建出来。比如社交网络，生物数据存在的某些网络。
在推荐应用中的一个例子：
Deep walk
+ 构建网络： Item和item的共现相似矩阵可以构成一个网络，其中每个item都是节点，相似度达到一定阈值的两个item直接有边连接，相似度达不到阈值的不连接。
+ 随机游走： 在网络里面，从一个节点随机走到有连线的下一个节点。选择下一步的概率为该节点连接的所有的边的相似度值取softmax, 也就是scale到0~1的概率值。走若干步，就得到了一个节点的序列。
+学embedding: 把随机游走的序列放到word2vec模型里面学，得到每个节点的embedding向量。
+召回&推荐： 用节点即item的embedding向量做相似度计算，取最相似的做召回和推荐。
这个做法的好处是算出来的结果多样性会比较好。因为在游走的时候有“随机”的因素在里面。
2.Graph embedding
是指图的结构是由数据学出来的embedding计算出来的相似度构建的。...
