本文是对《面向社会计算的网络表示学习》一文的总结,如有侵权即刻删除。
朋友们,我们在github创建了一个图学习笔记库,总结了相关文章的论文、代码和我个人的中文笔记,能够帮助大家更加便捷地找到对应论文,欢迎star~
Chinese-Reading-Notes-of-Graph-Learning
更多相关文章,请移步:文献阅读总结:网络表示学习/图学习
Title
《面向社会计算的网络表示学习》
——清华博士论文2018
Author: 涂存超
总结
作者主页:http://nlp.csai.tsinghua.edu.cn/~tcc/
本文是一篇博士学位论文,提出了多个网络表示学习方法和研究现状的总结。文章结构如下:
1 基于词项的显式表示
对应笔记为 文献阅读(32)ACM TIST2017-PRIS:Profession Identification in Social Media
2 基于主题标签的显式表示
对应论文为 JSCT2015-Tag Correspondence Model for User Tag Suggestion
文章认为用户的上下文信息非常复杂且存在大量噪音,且用户的上下文信息包含多个不同的异构信息源,每个信息源都有各自的特点。因而提出了TCM方法,构建概率生成模型,对未标注用户进行标签推荐。模型能够探究标签与用户的不同的类型信息之间的关联关系,通过迭代优化训练三个相关联的分布,能够为任意用户推荐标签。
3 基于最大间隔的隐式表示
对应笔记为 文献阅读(33)IJCAI2016-Max-Margin DeepWalk:Discriminative Learning of Network Representation
4 上下文相关的隐式表示
对应笔记为 文献阅读(四)ACL2017-CANE:Context-Aware Network Embedding for Relation Modeling
5 面向社会关系抽取的隐式表示
对应笔记为 文献阅读(34)IJCAI2017-TransNet:Translation-Based NRL for Social Relation Extraction
6 社区优化的隐式表示
对应笔记为 文献阅读(35)TKDE2018-A Unified Framework for Community Detection and Network Representation Learning