面向异质信息网络的表示学习方法研究综述

• 作者: 周慧 李超 赵中英
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 网络表示学习 异质信息网络 网络分析
• 年，卷（期）: 2019,（7）
• 所属期刊栏目: 综述·探索
• 页码范围: 1082-1094
• 页数: 13页
• 分类号: TP18
• 字数: 7797字
• 语种: 中文

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵中英	山东科技大学计算机科学与工程学院	9	35	4.0	5.0
2	李超	山东科技大学计算机科学与工程学院	48	102	5.0	6.0
3	周慧	山东科技大学计算机科学与工程学院	1	0	0.0	0.0