面向异质信息网络的表示学习方法研究综述

作     者：周慧 赵中英 李超 ZHOU Hui;ZHAO Zhongying;LI Chao

作者机构：山东科技大学计算机科学与工程学院 

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 

出 版 物：《计算机科学与探索》 (Journal of Frontiers of Computer Science and Technology)

年 卷 期：2019年第13卷第7期

页      码：1081-1093页

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。

主 题 词：网络表示学习 异质信息网络 网络分析 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

核心收录：

D　O　I：10.3778/j.issn.1673-9418.1903056

馆 藏 号：203692719...