面向异质信息网络的表示学习方法研究综述

摘要：

网络表示学习旨在为网络中的组件(节点、边、子网络等)学习出低维的表征向量,使得这些向量能够在最大程度上保留组件在原网络中的特性.异质信息网络是由多种类型的节点、链接关系以及属性信息组成的网络,具有动态性、大规模和异质性等特点,在现实生活中普遍存在.融合多种异质信息进行网络表示学习,能在一定程度上解决数据稀疏问题,同时有助于训练出具有高区别力和推理能力的表征向量.但与此同时,也面临着如何有效处理复杂数据关系以及平衡异质信息的挑战.近年来,研究者们针对异质信息网络设计了不同的表示学习算法,在很大程度上推动了该领域的发展.针对这些算法,首先设计一个统一的分类框架,接着对各类别下的代表性算法进行概括介绍和比较,分析它们的时间复杂度和优缺点.此外,分类汇总了实验中的常用数据集.最后给出了该领域的挑战和未来可能的研究方向.

关键词：网络表示学习、异质信息网络、网络分析

所属期刊栏目：13

分类号：TP18(自动化基础理论)

资助基金：The National Natural Science Foundation of China under Grant Nos. 61303167, 61433012;the Foundation for Humanities and Social Sciences of Ministry of Education of China under Grant No. 17YJCZH262;the Natural Science Foundation of Shandong Province under Grant No. ZR2018BF013;the Innovative Research Foundation of Qingdao under Grant No. 18-2-2-41-jch

在线出版日期：2019-07-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1082-1094