【最新综述】无监督网络表示学习综述，附18页全文下载

【导读】近些年来，无监督网络表示学习问题得到了科研人员的广泛关注。本文为大家带来了本领域的最新综述，全文聚焦于无监督网络表示学习方法、新的优化目标与深度架构等内容，是一份很好的入门材料。

介绍：

近年来，基于图的无监督网络表示学习方法已经取得了显著的进展。但是，仍缺少一个统一的框架性研究基础，来分析它们对不同图、任务的异同。本文在一个统一的框架之下对不同的网络表示方法进行了理论分组，并对不同方法的有效性进行了实证研究。因此我们提出了一个框架，将各种方法（基于随机游走、矩阵分解、深度学习）转换成统一的基于环境信息的优化函数，并根据这些方法的相同与不同点进行了系统的分组。本文将详细研究这些方法之间的区别，进而来解释它们在下游任务上的性能差异。

过去五年中，无监督网络表示方法重新获得了关注。这主要是由于深度学习在建模与优化技术中所带来的巨大提升，以及网络表示在现实世界的广泛应用（顶点分类、链接预测、推荐系统、知识补全）。

本文提出了一个通用的理论框架，以关注不同无监督表示学习方法的各种变体，进而以此为基础，对九种不同的方法进行了综合实验与评估，包括从早期表示方法到近期的深度学习方法等。需要强调的是，我们仅仅考虑无监督方法在直推式学习场景中的应用。

图：方法汇总

图：数据集汇总

图：任务评测汇总

请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知）

• 后台回复“UNRL” 就可以获得全文18页 PDF下载链接~ 

附论文全文：

-END-

专 · 知

专知《深度学习:算法到实战》课程全部完成！510+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

请加专知小助手微信（扫一扫如下二维码添加），加入专知人工智能主题群，咨询《深度学习:算法到实战》课程，咨询技术商务合作~

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程