超图构造综述，Hypergraph Learning: Methods and Practices

摘要

超图学习是一种在超图结构上学习的方法。在本文中，我们首先系统重温了现有的超图生成方法，包括基于距离的，基于表示的，基于属性的和基于网络的方法。然后介绍超图上现存的学习方法包括transductive hypergraph learning， inductive hyper graph learning，超图结构更新以及多模态超图学习。

引言

超图是一种泛化的图结构，包含一组节点和超边。不同于简单图一条边包含两个节点，超边可以包含任意数量的节点。与只能建模对级连接关系的图结构相比，超图在建模复杂关系时具有显著优势。比如说，在一张超图中，节点表示研究者，超边表示多个作者共同署名的文章。这样，研究者之间合作关系越紧密，他们之间的超边就越多。

超图学习与图学习紧密相关，因为超图是一种泛化的图结构。类似于图学习，超图上的学习也可以看作在超图结构上的信息传播。从这个角度来说，图学习是超图学习的一个特例。不同于图学习，超图学习模型探索数据中的高阶关系，因此有更好的效果。

先前的超图学习方法有两个主要缺点。其一，构建的超图不是最优的，因此不能很好适配数据。其二，计算复杂度大，尤其当超图结构同时更新时，更为严重，很难扩展到大规模数据中。

基础知识