大规模复杂信息网络表示学习:概念、方法与挑战

• 作者: 李志宇 梁循 许媛 陈燕方 齐金山
• 来源期刊: 计算机学报
• 学科: 工学
• 关键词: 大规模复杂信息网络 网络特征 顶点嵌入 网络表示学习 深度学习 特征学习
• 年，卷（期）: 2018,（10）
• 页码范围: 2394-2420
• 页数: 27页
• 分类号: TP18
• 字数: 30476字
• 语种: 中文
• DOI: 10.11897/SP.J.1016.2018.02394

摘要

大数据时代的到来,使得当前的复杂信息网络研究领域面临着三个基础性问题,即网络的动态性、大规模性以及网络空间的高维性.传统复杂信息网络特征的表示通常以邻接矩阵、出入度、中心性等离散型方式表达,这种表达方式在现有的大规模动态信息网络的新环境下,其计算效率及准确率都受到了很大的挑战.随着机器学习算法的不断发展,复杂信息网络的特征表示学习同样也引起了越来越多的关注.与自然语言中的词向量学习的目标类似,目前较为前沿的大规模复杂网络特征表示学习方法的目标是将网络中任意顶点的结构特征映射到一个低维度的、连续的实值向量,在进行这种映射的过程中,尽量保留顶点之间的结构特征关系,使大规模网络特征学习能够有效地应用于各类网络应用中,如网络中的链接预测、顶点分类、个性化推荐、大规模社区发现等.通过对复杂信息网络特征的学习,不仅能够有效缓解网络数据稀疏性问题,而且把网络中不同类型的异质信息融合为整体,可以更好地解决某些特定问题.同时,还能够高效地实现语义相关性操作,从而显著提升在大规模,特别是超大规模的网络中进行相似性顶点匹配的计算效率等.该文主要对近些年来关于复杂信息网络表示学习的方法和研究现状进行了总结,并提出自己的想法和意见.首先概述了表示学习的发展历史,然后分别阐述了有关大规模复杂信息网络、网络表示学习等基本概念与理论基础;接着,根据学习模型的不同,对经典的、大规模的、基于内容的、基于融合的以及异构的网络表示学习模型进行了全面的分析与比较.另外,对当前的网络表示学习方法所采用的实验数据集、评测指标以及应用场景等也进行了总结概括.最后给出了大规模复杂信息网络表示学习的研究难题以及未来的研究方向.大规模复杂网络表示学习是一个复杂的问题.当前研究中,大多数学习模型是根据复杂网络的结构或者内容来进行顶点的特征表示学习.只有融合复杂网络结构特征和内容特征的表示学习才能够更好地反映出一个网络特征的真实情况,使得学习得到的网络特征表示更具有意义与价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	齐金山	中国人民大学信息学院	11	61	4.0	7.0
3	梁循	中国人民大学信息学院	39	350	11.0	18.0
6	陈燕方	中国人民大学信息资源管理学院	14	88	4.0	9.0
7	李志宇	中国人民大学信息学院	10	101	6.0	10.0
8	许媛	中国人民大学信息学院	5	41	2.0	5.0