一、摘要
图上的表示学习，也称为图嵌入，已经证明了它对一系列机器学习应用程序的重大影响，如分类、预测和推荐。
然而，现有工作在很大程度上忽略了那些可以被表示为属性图的现代应用程序中的节点以及边的属性中所包含的丰富信息，例如，那些由属性图所表示的信息。
到目前为止，大多数现有的图嵌入方法要么只关注具有图拓扑结构的普通图，要么只考虑节点上的属性。为此，本文提出了一个图表示学习框架PGE，它将节点和边属性合并到图嵌入过程中。
- PGE使用节点聚类来分配偏差来区分节点的邻居，并利用多个数据驱动矩阵来聚合基于偏置策略采样的邻居的属性信息。
- PGE采用了流行的归纳模型来进行邻域聚合。
本文对PGE的有效性进行了详细的分析，并通过展示PGE如何获得比最先进的图嵌入更好的嵌入结果来验证PGE的性能。
二、内容
PGE的关键思想是同时利用拓扑结构和属性信息(节点和边)来获得更好的节点嵌入结果。
下图为论文PPT总结。
