1. Background & Motivation
很多图表示学习框架，如DeepWalk、LINE、node2vec等，都是参考了NLP中word2vec思路实现的。这免于了设计网络特征，直接学习隐特征。
下游任务：节点分类，聚类，similarity search12
（在介绍相关研究工作的时候，感觉Predictive Text Embedding (PTE)这个模型可能以后也需要去看一下）
（related work小节没看）
2. 模型
（以下负采样等具体细节不赘）
2.1 metapath2vec
DeepWalk和node2vec用随机游走获取上下文信息，用skip-gram模型学习节点表征：
异质图skip-gram：
在异质图上直接进行随机游走可能会严重biased，因此使用metapath
metapath定义：
关于metapath开头和结尾节点是不是必须得是同一种：按这说法应该是
2.2 metapath2vec++
3. 实验
3.1 数据集
AMiner
DBIS
3.2 baseline
DeepWalk/node2vec
LINE
PTE
Spectral Clustering/Graph Factorization：直接就没拿来比了
3.3 实验设置
略
3.4 multi-class节点分类
3.5 节点聚类
3.6 案例分析：similarity search
3.7 Scalability
4. Future Work
- 中间输出太大
- 自动学习metapath
- 应用到动态图上
- 泛化到其他领域
