小知识，大挑战！本文正在参与“ 程序员必备小知识 ”创作活动
本文同时参与 「掘力星计划」 ，赢取创作大礼包，挑战创作激励金
1.Introduction
大多数现有的网络embedding方法都是针对静态图，因此不是应用不断变化的动态 sketch-based (through clustering and outlier detection.)
2.问题定义
图数据流G用 G\(t\)=\(V\(t\),E\(t\)\)\表示,t时刻整个图的快照，t时刻到达的边$E^t$,t时刻到达的顶点$V^t$,从1-t这整个时间段的边E(t)，顶点V(t)。所以有 V\(t\)=\\bigcup \{V\^i\}_ \{i=1\}\^t \，类似的所以有$E(t)=\bigcup{E^i}_{i=1}^t$ 。我们的目标在时刻t检测匿名的顶点，边，社区。有几个挑战 需要cohensive的方式编码动态网络。 当新的网络结构到来，应该很容易的用已经学习好的网络表示编码 当新的网络结构到来，网络表示可以快速更新。
3 ENCODING NETWORK STREAMS
3.1 Network Walk Generation
3.2 Learning Network Representations
提出了clique embedding，利用deep autoencoder neural network去学习向量表示，（最小化每个walk下顶点对的距离）。输入输出是one-hot。我们的目的是针对每个输入的walk学习到一个latent representation。
实际上就是一个自编码器，把每个walk当作一个句子进行输入重构。 针对第n层重构出的表示，计算重构损失。 针对中间层的 latent representation，让一个walk内的词尽可能接近。 针对输入和输出稀疏性问题，a sparse auto-encoder with sparsity parameter ρ and penalize it with the Kullback-Leibler divergence。
论文后面是一些计算梯度的过程。详细可以看论文。 算法伪代码
3.3 Edge Encoding
学习好顶点的表示后，使用Hadamardoperato 进行边的编码。比如都2个顶点取平均，点乘，很灵活。
3.4 Maintaining Network Representations Incrementally
network为每个顶点维持一个reservoir。 新的边到来时，更新策略：
给出了一个定理：对于顶点i，它的邻居v在reservior里面的概率。
更新的例子
删除有同样的策略。总结来说，每个顶点有个reservior，这个reservior的大小是固定的。新来边的时候，针对里面的每个顶点，都会以概率p替换。删除边的时候只针对删除了的顶点进行替换。 算法：新来边的时候，通过reservior去产生新的walk更新网络。
4 ANOMALY DETECTION
聚类，算中心点，判断新来的边和中心点的距离。
5 EVALUATION
还是要看下7是怎么产生groundtruth的。
6问题
和addgraph相比较看，这个是利用walk提取特征，addgraph是利用gcn提取特征。 addgraph针对新来的图结构利用short和long-term进行更新。本文只是增量维护。 收获：边的embedding和顶点embedding表示很像。都集中在这种embedding上，而不是说怎么去定义异常。
Thanks for your reading ~
专注机器学习与风控算法前沿进展，分享数据挖掘比赛，机器学习，反作弊，推荐系统等技术文章。
快来关注我一起学习呀！
