【优博微展2018】涂存超：面向社会计算的网络表示学习

涂存超：2018年清华大学优秀博士学位论文二等奖获得者

面向社会计算的网络表示学习

Network Representation Learning for Social Computing 

作　　者：涂存超 

指导教师：孙茂松

培养院系：计算机系           

学       科：计算机应用技术

读博感言： PhD 第三年还没有发 paper 是怎样一种体验？

研究背景/选题意义/研究价值

网络表示学习目的是为网络中的节点学习低维实值的向量表示。随着大规模社会网络的出现，传统的网络表示方法面临着计算效率以及可解释性的问题。此外，这些社会网络往往蕴含着丰富的异构信息，这些特点使得已有的网络表示方法不能很好的处理这些大规模社会网络。

主要研究内容

本文针对网络节点表示已有工作在可解释性、计算效率以及融合多源异构信息方面的不足，提出了在社会网络中学习节点显式及隐式表示的思路，来学习高质量的网络节点特征向量和提高其在社交网络分析任务中的效果。

研究框架：融合异构信息的显式及隐式网络表示方法

主要创新点

1. 基于词项的显式表示；

2. 基于主题标签的显式表示；

3. 基于最大间隔的隐式表示；

4. 上下文相关的隐式表示；

5. 社会关系抽取的隐式表示；

6. 社区优化的隐式表示。

代表性学术发表

1. CANE: Context-Aware Network Embedding for Relation Modeling. ACL. 2017.

2. TransNet: Translation-Based Network Representation Learning for Social Relation Extraction. IJCAI. 2017.

3. Max-Margin DeepWalk: Discriminative Learning of Network Representation. IJCAI. 2016.

4. A Unified Framework for Community Detection and Network Representation Learning. IEEE TKDE. 2018.

作者：涂存超

供图：涂存超

编辑：清华大学研究生院  吴佳瑛  李文

转载须经作者同意授权