一个疑问：这个R和C的迭代更新是怎么考虑进了更高阶的相似度的？
Theorem：
给定网络表征矩阵R和向下文向量表征矩阵C（可由其他表征算法学习而得），假设RCT近似相似度矩阵M=f(A)，近似误差限
且f(A)的度为K。经由上述迭代公式（3）更新而得的R’和C’的积R’C’T近似于矩阵
g(A)具有K+2的度，且近似误差限为
由以上定理可以得出结论： 即每迭代更新一次，分解的近似相似度矩阵的度提升2，但是相应的误差上限会提升2.25倍，因此必须权衡融入的高阶节点相似度信息以及相应的误差。
一个变种的迭代公式：
可以推得变种迭代更新公式在一次迭代中可以获得更高阶的相似度（第一个迭代公式一次迭代只是多了2阶）。（当然比变种迭代公式更复杂的在一次迭代中获得更高阶的相似度的迭代公式可以类似推广）
总结：说了那么多就是对其他表示学习算法得到的嵌入矩阵进行以上迭代更新，即可在嵌入向量中融入更高阶的信息。
(4) 参考文献Yang C , Sun M , Liu Z , et al. Fast Network Embedding Enhancement via High Order Proximity Approximation[C]// International Joint Conference on Artificial Intelligence. AAAI Press, 2017.