嵌入表示在如今的NLP中有着至关重要的地位，可以说是NLP应用的根基，从word2vec, node2vec,到graph2vec，每一次蜕变，每一次提高，都代表着人类智慧的进步。

paper地址：https://arxiv.org/pdf/2003.12590.pdf

关于作者：

      Martin Grohe是一位计算机科学家，以其在参数化复杂性、数学逻辑、有限模型理论、图形逻辑、数据库理论和描述复杂性理论方面的研究而闻名。他是RWTH Aachen大学的计算机科学教授，在那里他担任离散系统逻辑和理论的主席。1999年，他获得了德国研究基金会颁发的海因茨·梅尔-莱布尼茨奖。他在2017年被选为ACM Fellow，因为他“对计算机科学中的逻辑、数据库理论、算法和计算复杂性的贡献。

      典型机器学习算法需要将通常是符号数据表示为数字向量才能在结构化数据上计算。数据的向量表示从手工设计特征到学习表示，或者通过专用的嵌入算法计算，或者通过像图神经网络这样的学习架构隐式计算。机器学习方法的性能关键取决于向量表示的质量。因此，有大量的研究提出了广泛的矢量嵌入方法用于各种应用。这些研究大多是经验性的，通常针对特定的应用领域。考虑到主题的重要性，关于向量嵌入的理论工作少得令人惊讶，特别是当它表示超越度量信息(即图中的距离)的结构信息时。

      该文的目的是概述在实践中使用的结构化数据的各种嵌入技术，并介绍可以理解和分析这些嵌入技术的理论思想。矢量嵌入的研究前景是笨拙的，由于不同的应用领域(如社会网络分析、知识图、化学信息学、计算生物学等)的推动，几个社区在很大程度上独立地研究相关问题。因此，我们需要有选择性，关注我们看到的共同想法和联系。

内容中包含的图片若涉及版权问题，请及时与我们联系删除