贡献：
提出了一种高效的算法“PTE”，它通过将异构文本网络嵌入低维空间来学习文本的分布式表示。
问题定义
定义1。（word-word Network）
表示为G=（V，E），捕获未标记数据的本地上下文中的词共现信息。V是单词的词汇表，e是单词之间的一组边。单词v和v之间的边的权重，定义为两个单词在给定窗口大小的上下文窗口中同时出现的次数。
定义2。（Word-Document Network）
表示为G=（V∪D，E），是一个二分网络，其中D是一组文档，V是一组单词。e是单词和文档之间的一组边。单词v和文档d之间的权重w简单地定义为文档d中v出现的次数
定义3。（Word-Label Network）
示为Gwl=（V∪L，E），是一个捕获类别级单词共现的二分网络。L是一组类标签，V是一组单词。e是单词和类之间的一组边。定义词v与c类之间的边的权重为：
，其中n是文档d中单词v的词频，l是d文档的类标签
定义4。（Heterogeneous Text Network）
三个图共同组成
二部图网络嵌入
方法：LINE的二阶方法（参考上一篇博客）
异构文本网络嵌入
文本嵌入
异构文本网络对词在不同层次上的共现进行编码，从未标记数据和标记信息中提取，用于特定的分类任务。因此，通过嵌入异构文本网络学习的单词表示不仅更健壮，而且更适合该任务。一旦学习了单词向量，就可以通过简单地平均该文本中单词的向量来获得任意文本的表示。
一段文本的向量表示d=w1w2···，wn可以计算为