網(wǎng)絡表示算法及其研究綜述

　　網(wǎng)絡是一系列節(jié)點和邊的集合，通常表示成一個包含節(jié)點和邊的圖。許多復雜系統(tǒng)都以網(wǎng)絡的形式來表示，如社交網(wǎng)絡、生物網(wǎng)絡和信息網(wǎng)絡。為了使網(wǎng)絡數(shù)據(jù)的處理變得簡單有效，針對網(wǎng)絡中節(jié)點的表示學習成為了近年來的研究熱點。網(wǎng)絡表示學習旨在為網(wǎng)絡中的每個節(jié)點學習一個低維稠密的表示向量，進而可將得到的向量表示運用到常見的網(wǎng)絡分析任務中，如節(jié)點聚類、節(jié)點分類和鏈路預測等。然而，絕大多數(shù)真實網(wǎng)絡節(jié)點都有豐富的屬性信息，如社交網(wǎng)絡中的用戶資料和引文網(wǎng)絡中的文本內(nèi)容。網(wǎng)絡的屬性信息對網(wǎng)絡表示具有重要的作用，當網(wǎng)絡高度稀疏時，網(wǎng)絡的屬性信息是網(wǎng)絡表示重要的輔助信息，有助于更好地學習網(wǎng)絡表示。傳統(tǒng)的鄰接矩陣僅僅表示了邊的信息，而無法加入節(jié)點的屬性信息。因此，網(wǎng)絡表示不僅要保存網(wǎng)絡的結構信息，還要保存網(wǎng)絡的屬性信息。此外，大多數(shù)真實世界網(wǎng)絡都是動態(tài)變化的，這種變化包括網(wǎng)絡節(jié)點的增加和減少，以及網(wǎng)絡邊的新建和消失。同時，與網(wǎng)絡結構變化相似，網(wǎng)絡中的屬性也會隨著時間的推移發(fā)生變化。隨著機器學習技術的發(fā)展，針對網(wǎng)絡表示學習問題的研究成果層出不窮，文中將針對近年來的網(wǎng)絡表示學習方法進行系統(tǒng)性的介紹和總結。