注意，在此只是谈一下个人的一点理解，如有不对的地方，欢迎指正，共同探讨！
Representation和Embedding
首先，想先说一下representation和embedding之间的区别和联系，仅供参考。这两个词目前在计算机领域，尤其的是深度学习方面是如火如荼啊，算是热词吧。很多文献里面，对这两个词没有进行严格的区分，认为是同一个概念，比如常见的有word embedding和word representation。在我看来，这两个词还是有一点区别的，我觉得representation表示的概念要大于embedding。representation意为表示，例如词表示（word representation）,embedding意为嵌入，例如词嵌入（word embedding），而表示的方法有很多，嵌入可以作为其中的一种， 比如，词表示的方法有很多种，词嵌入技术就是其中的一种表示方法，除此之外，还有one-hot，word-of-bag等。和embeding比较相近的一种说法是distributed representation(分布式表示)，都是将某一事物表示成向量的形式，最好还是低维向量，这样可以便于计算操作。当然，有时候这两个词表示的意思区别不大，所以很多文献中是混合使用的，比如：Network embedding learning和Network representation learning，Knowledge representation learning和knowledge embeding learning可以理解成同一个概念，如果非要区分的话，就按照我上面的解释进行区分即可。（再次声明，仅仅代表个人理解）。
Graph Embeding、Network Embeding 和Knowledge Graph Embeding
其实，不好区分的是前两个概念（GE和NE），而KGE主要是面向知识图谱的一种概念，前两个主要是面型社交网络（图）的一种概念。所以从所属的范畴上很容将KGE和GE、NE区分开来。所以，着重说一下GE和NE的不同。下面是我查阅文献的结果，可以参考一下。
谈一下自己的见解：
前面，我们已经说过representation和embedding的区别了，那么GE和NE都可以看作是NRL(Network Representation Learning）的子集，都是对于网络进行表示学习的方法。其中GE更加强调是传统的图表示方法， 比如LLE，LE，GF等，它们更加侧重于降维任务。 NE更加侧重是对于后来这种分布式假设的表示方法，比如Deepwalk，node2vec，LINE等，它们不仅关注降维任务，还更加强调要尽可能大的保存网络属性， 比如高阶的近邻关系或者网络中的某些特性（如同质性/结构等价性等）。
