7步走写摘要: Deep Attributed Network Embedding

本篇论文发表于IJCAI International Joint Conference on Artificial Intelligence (2018)，CCF A类。

本栏目着重于学习怎么样写论文摘要。从一个七步走的方法对论文摘要进行叙述，每一步需要写什么，怎么写。

近年来，网络嵌入引起了广泛的关注。它是学习网络中节点的低维表示，这有利于节点分类和链路预测等下游任务。现有的方法大多只基于拓扑结构来学习节点表示，但在实际应用中，节点往往具有丰富的属性。因此，学习基于拓扑结构和节点属性的节点表示是非常重要和必要的。本文提出了一种新的深度属性网络嵌入方法，该方法能够捕获高度非线性，并在拓扑结构和节点属性上保持各种相似性。同时，提出了一种新的策略来保证学习到的节点表示能够从拓扑结构和节点属性中编码出一致和互补的信息。在基准数据集上的大量实验验证了我们提出的方法的有效性。	Network embedding has attracted a surge of attention in recent years. It is to learn the low- dimensional representation for nodes in a network, which benefits downstream tasks such as node classification and link prediction. Most of the existing approaches learn node representations only based on the topological structure, yet nodes are often as- sociated with rich attributes in many real-world applications. Thus, it is important and necessary to learn node representations based on both the topological structure and node attributes. In this paper, we propose a novel deep attributed network embedding approach, which can capture the high non-linearity and preserve various proximities in both topological structure and node attributes. At the same time, a novel strategy is proposed to guarantee the learned node representation can encode the consistent and complementary information from the topological structure and node attributes. Extensive experiments on benchmark datasets have verified the effectiveness of our proposed approach.
第一步: 交代研究背景	Network embedding has attracted a surge of attention in recent years. It is to learn the low- dimensional representation for nodes in a network, which benefits downstream tasks such as node classification and link prediction
第二步: 概括当前方法	Most of the existing approaches learn node representations only based on the topological structure
第三步: 一般介绍现有方法的不足，论文给出的一些解决办法。	yet nodes are often as- sociated with rich attributes in many real-world applications. Thus, it is important and necessary to learn node representations based on both the topological structure and node attributes.
第四步: 提出当前的方法	In this paper, we propose a novel deep attributed network embedding approach,
第五步: 在提出论文的方法之后，需要进行对自己提出的方法的大致的介绍	which can capture the high non-linearity and preserve various proximities in both topological structure and node attributes. At the same time, a novel strategy is proposed to guarantee the learned node representation can encode the consistent and complementary information from the topological structure and node attributes
第六步: 第五步进行了理论上的阐述。这一步呢，通常是对提出的算法怎么样实现优化的一句话或者两句话。不能太长，因为有字数限制。（可有，也可以没有，视具体论文而定）	补充: 本篇论文采用深度学习框架tensorflow学习进行训练学习
第七步: 简要介绍一下实验，这个比较的套路，一般都是这个套路。	Experimental results on several real-world datasets demonstrate the proposed method outperforms the state-of art methods.

 

摘要解读

第一步: 交代背景：多视角数据的普遍性和重要性

第二步: 概括当前方法 。

第三步: 一般介绍现有方法的不足 

第四步: 提出当前的方法

第五步: 在提出论文的方法之后，需要进行对自己提出的方法的大致的介绍 

第六步: 第五步进行了理论上的阐述。这一步呢，通常是对提出的算法怎么样实现优化的一句话或者两句话。不能太长，因为有字数限制。

第七步: 简要介绍一下实验，这个比较的套路。

以上就是大致的一个流程，我也正在学习，若有不足请各位耐心支出。非常感谢。

 

 

一般的摘要都会遵循这七个步骤，不同的步骤之间可能会融合到一块进行书写，在我们自己进行书写摘要的时候，可以参照这个步骤。如果自己在某个步骤实在想不出来，就暂时空下来。