论文的核心是将“图（网络）结构学习”同“离散表征学习”结合到一起。原因：“Unfortunately, such a two-step approach does not have a unified optimization objective. It is very hard to tune parameters for two separate models.”

网络结构学习：Weisfeiler-Lehman Neural machine（具体求解过程见附件）。

核心思想：假设存在一个隐式/静态的、能表达病毒/信息在人群中的传播路径/影响途径图，我们在只知道感染用户以及其感染时间的情况下（构建成一个cascade），还原和重构用户之间的感染路径（谁感染的谁，即还原隐式网络结构）。需要注意的是，这里有多个cascades，即存在多种不同的传染病毒或要传播的信息，目的是要记录多条传播路径。这样就可以利用极大似然估计的方法估计参数。

离散表征学习，即要求的表征向量是离散的，而不是连续的，这么做的好处是节约存储空间等。本文的做法是将离散表征分解还原上述网络结构学习中的Weisfeiler-Lehman 矩阵。