复杂网络的双曲空间表征学习方法

• 作者: 王强 江昊 羿舒文 杨林涛 奈何 聂琦
• 来源期刊: 软件学报
• 学科: 工学
• 关键词: 复杂网络 双曲空间 表征学习 网络嵌入 机器学习
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 93-117
• 页数: 25页
• 分类号: TP181
• 语种: 中文
• DOI: 10.13328/j.cnki.jos.006092

摘要

复杂网络在现实场景中无处不在,高效的复杂网络分析技术具有广泛的应用价值,比如社区检测、链路预测等.然而,很多复杂网络分析方法在处理大规模网络时需要较高的时间、空间复杂度.网络表征学习是一种解决该问题的有效方法,该类方法将高维稀疏的网络信息转化为低维稠密的实值向量,可以作为机器学习算法的输入,便于后续应用的高效计算.传统的网络表征学习方法将实体对象嵌入到低维欧氏向量空间中,但复杂网络是一类具有近似树状层次结构、幂率度分布、强聚类特性的网络,该结构更适合用具有负曲率的双曲空间来描述.针对复杂网络的双曲空间表征学习方法进行系统性的介绍和总结.