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。
Network representation learning aims to learn a series of low- dimensional vectors for the components (node, edge, subgraph, etc.) in a network. Meanwhile, the characters of the components in the original network should be largely retained in these vectors. Heterogeneous information network is the network composed of various types of nodes, link relationships and attribute information. It is characterized by dynamics, large scale and heterogeneity, and is ubiquitous in the real life. Network representation learning by integrating various heterogeneous information can not only alleviate the problem of data sparsity, but also help to learn the representation vectors with high discriminative and inferential ability. At the same time, it also faces the challenge of dealing with complex data relationships and balancing heterogeneous information. In recent years, researchers have designed different representation learning algorithms for heterogeneous information networks, which have greatly promoted the development of this field. In view of these algorithms, this paper first designs a unified classification framework, then generalizes and compares the representative algorithms in each category, including their time complexities, advantages, etc. In addition, the information of the commonly used data sets is summarized into a table. Some challenges and possible research directions are provided at the end of this paper.
作者
周慧
赵中英
李超
ZHOU Hui;ZHAO Zhongying;LI Chao(College of Computer Science and Engineering,Shandong University of Science and Technology,Qingdao,Shandong 266590,China)
出处
《计算机科学与探索》
CSCD
北大核心
2019年第7期1081-1093,共13页
Journal of Frontiers of Computer Science and Technology
基金
国家自然科学基金Nos.61303167,61433012
教育部人文社会科学研究项目No.17YJCZH262
山东省自然科学基金No.ZR2018BF013
青岛市源头创新计划应用基础研究项目No.18-2-2-41-jch~~
关键词
网络表示学习
异质信息网络
网络分析
network representation learning
heterogeneous information network
network analysis
作者简介
周慧(1995—),女,山东鄄城人,山东科技大学计算机科学与工程学院硕士研究生,主要研究领域为网络表示学习与社交网络分析;通讯作者:赵中英(1983—),女,山东聊城人,2012年于中国科学院计算技术研究所获得博士学位,现为山东科技大学计算机科学与工程学院副教授,主要研究领域为社交网络分析,数据挖掘。在国际期刊和会议上发表论文近30篇,主持国家自然科学基金、山东省自然科学基金等科研项目10余项。2015年被评为“优秀青年科技工作者”,2016年入选青岛市西海岸新区“高层次-紧缺人才”。E-mail: zzysuin@163.com;李超(1984—),男,河北唐山人,2014年于中国科学院深圳先进技术研究院获得博士学位,2014至2015年,赴香港科技大学计算机科学与工程学院做访问学者,主要研究领域为大数据分析,社交网络分析,数据挖掘。在国内外期刊及会议上发表论文10余篇,主持国家自然科学基金、教育部人文社科基金等。
