在碎片化阅读充斥眼球的时代,越来越少的人会去关注每篇论文背后的探索和思考。
在这个栏目里,你会快速 get 每篇精选论文的亮点和痛点,时刻紧跟 AI 前沿成果。
点击本文底部的「阅读原文」即刻加入社区,查看更多最新论文推荐。
这是 PaperDaily 的第 96 篇文章本期推荐的论文笔记来自 PaperWeekly 社区用户 @xuehansheng。本文是一篇来自 DeepWalk 团队的综述文章,对于近几年网络表示学习(Network Representation Learning/Network Embedding)进行了一个阶段性的总结,并对于未来的发展方向进行了研究。
如果你对本文工作感兴趣,点击底部阅读原文即可查看原论文。
关于作者:薛寒生,澳大利亚国立大学博士生,研究方向为人工智能与计算生物学。
■ 论文 | A Tutorial on Network Embeddings
■ 链接 | https://www.paperweekly.site/papers/2203
■ 作者 | Haochen Chen / Bryan Perozzi / Rami Al-Rfou / Steven Skiena
论文摘要
网络嵌入方法(Network Embedding)旨在学习网络中节点的低维度潜在表示,所学习到的特征表示可以用作基于图的各种任务的特征,例如分类,聚类,链路预测和可视化。
在本文中,通过分类和总结本研究领域的最新进展来概述网络嵌入学习相关进展。文章首先讨论网络嵌入的属性特征,并简要介绍了网络嵌入学习的历史。然后文章还讨论了在不同场景下的网络嵌入方法,如监督与无监督学习,同质网络学习嵌入与异构网络等。文章进一步论证了网络嵌入学习方法的具体应用,并总结了该领域未来的工作研究。
Network Embedding 介绍
由于信息网络可能包含数十亿个节点和边缘,因此在整个网络上执行复杂的推理过程可能会非常棘手。因此有人提出了用于解决该问题的一种方法是网络嵌入(Network Embedding)。NE 的中心思想就是找到一种映射函数,该函数将网络中的每个节点转换为低维度的潜在表示。
总的来说,NE 具有如下几个特征:
适应性(Adaptability)- 现实的网络在不断发展;新的应用算法不应该要求不断地重复学习过程。
可扩展性(Scalability)- 真实网络本质上通常很大,因此网络嵌入算法应该能够在短时间内处理大规模网络。
社区感知(Community aware)- 潜在表示之间的距离应表示用于评估网络的相应成员之间的相似性的度量。这就要求同质网络能够泛化。
低维(