信息网络表示学习方法综述

摘要：

网络表示学习方法将信息网络表示为低维稠密携带网络节点特征信息的实数向量,应用于下游机器学习任务的输入,随着机器学习与深度学习的发展,网络表示学习拥有强大的建模能力且应用广泛.对网络表示学习方法、应用进行了归纳总结.首先,对当前国内外网络表示学习方法进行梳理归类,分为传统方法、基于网络结构的嵌入、融入属性信息的嵌入,以及基于谱域的图卷积、基于空间的图卷积和图attention网络,按类别对各类模型详细阐述,对比模型之间的适用性和方法特点;其次,介绍了网络表示学习的相关应用,包括推荐系统领域、生物医药领域等,整理常用的数据集、开源实现的表示学习模型和强大的图深度学习库供研究者参考调用;最后,对网络表示学习的发展趋势进行了总结与展望.未来可在深层的图神经网络学习、动态和异构网络的表示、网络模型的泛化能力等方面继续开展研究.

关键词：计算机神经网络、网络、表示学习、图神经网络、图卷积、图深度学习库

所属期刊栏目：41

分类号：TP311.13(计算技术、计算机技术)

资助基金：中国留学基金委地方合作项目;教育部人工智能协同育人项目;河北科技大学校立基金;河北科技大学雾霾与空气污染防治科研项目

在线出版日期：2020-05-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：133-147