之前一篇提到多一个多层网络的传播模型，和Fung讨论一下，我们俩发现，对于上一篇提到的作者-引文网络，我们尝试通过不同的方法来对这个网络embedding
lightRNN
lightRNN（https://arxiv.org/abs/1610.09893）是MSRA 16年解决词向量嵌入的工作，用2-component想法，把词放入一张二维表中，那么每一个维度的值也就是表征它在对应component空间中的位置。好了，那直接利用这种想法，将二层网摊平来做不就好了？
MD-RNN，是用来处理多维时间序列的，标准RNN的每一层隐层不仅接受当前位置的输入，也接受上一个位置的隐层输出作为输入；在标准的RNN中，由于只有一个维度，因此只接受该维度上的上一个位置的隐层输出，而MDRNN的思想是接受每个维度上的上一个位置的隐层输出作为输入；比如对于2D-RNN，也就是图像，每个位置的隐层不仅接受横向维度的上一个位置的隐层输出，也接受纵向维度的上一个位置的隐层输出。那么，我们可以把多层网络上的node表征为一个张量，然后在网络上随机行走，由此来产生一个张量时间序列，用MD-RNN的想法来做对应的embedding吗？
最后，我们发现，我们所考虑的网络实际上是带作者标签的引文网络。那么，借鉴LightRNN的想法，我们可以把一篇文章分解成为两部分（a,b）a是用来表征作者的，b是用来表征主题或者其他，我们每次都加上约束，同一作者的文章对应的a是不变的，最后，出来的embedding向量，左边的部分a，（注意，这里a也可以是一个向量），同作者的不变，这样我们可以把这一部分单独拿出来，直接看作者的分布，完成对作者的embedding了
当然，由于网络是现成的，我们可以跳过随机游走，直接考虑最优化问题
3.5日更新
Huang 的方法，利用引文网络与作者-文章二分网络的矩阵来直接做降维。另外，可以利用引文网络做embedding后得到paper的向量，直接用author-paper矩阵左乘得到author的向量
我的方法，利用引文网络与作者-文章二分网络做随机游走，然后得到仅有author的序列，基于此可以做embedding，然后可以做作者的聚类
一个补充：
是否可以用引文网络的连接矩阵做文章间的相似性矩阵，把这个当成共现矩阵，然后就可以跳过随机游走了
如何去比较？
在某一个网络上用随机游走得到时间序列，统计得到共现矩阵M;用word2vec得到node的向量,Node向量的距离矩阵M_wvs;邻接矩阵M_nb生成的距离矩阵M_nbs;比较三者之间的差异，如果M_nbs 与M_wvs的差异很小，实际上是在验证word2vec是one-hot的降维。如果，M与M_wvs差异很小，那么说明，如果，M_nbs与M的差异很小，那么就可以直接用邻接矩阵的相似性矩阵M_nbs来生成M.
PS:这里的距离矩阵，可以用余弦距离（1），也可以直接用欧式距离（2）。实际上，我是想弄清是否，我们可以直接通过邻接矩阵得到共现矩阵，由此直接embedding。而有理由相信共现矩阵，实质上是在描述任意两个node（词）的距离或者某种程度的相似性。