【图机器学习论文】图嵌入：问题、技术与应用综述（ A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications）

题目： A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications 摘要： 图形是一种重要的数据表示形式，它出现在现实世界的各种场景中。有效的图形分析可以让用户更深入地了解数据背后的内容，从而有利于节点分类、节点推荐、链路预测等许多有用的应用。然而，大多数图形分析方法都存在计算量大、空间开销大的问题。图嵌入是解决图分析问题的有效途径。它将图形数据转换为一个低维空间，其中图形结构信息和图形属性被最大程度地保留。在这项调查中，我们对图嵌入的文献进行了全面的回顾。本文首先介绍了图嵌入的形式化定义及相关概念。之后，我们提出了两个分类的图形嵌入，对应于什么挑战存在于不同的图形嵌入问题设置，以及现有的工作如何解决这些挑战，在他们的解决方案。最后，我们总结了图形嵌入在计算效率、问题设置、技术和应用场景等方面的应用，并提出了四个有前途的研究方向。

作者简介： Hongyun Cai，经验丰富的研究人员，有在研究行业工作的经验。精通计算机科学，C++，数据库，Java和机器学习。昆士兰大学计算机科学专业研究生，哲学博士。

Vincent W. Zheng,新加坡先进数字科学中心（ADSC）的研究科学家，也是伊利诺伊大学香槟分校协调科学实验室的研究附属机构。他目前领导着ADSC的大型社交项目。该项目旨在利用目前在我们的数字社会（即社交媒体）中普遍存在的巨大“人类传感器”，并实现对此类数据的社会分析，从而建立一个以人为中心的网络系统。他还对图形表示学习、深度学习、自然语言处理、移动计算等领域感兴趣，并在社交挖掘、文本挖掘、实际位置和活动识别、用户分析、移动推荐、增强现实等方面有应用。

Kevin Chen-Chuan Chang是伊利诺伊大学香槟分校计算机科学教授，他领导了数据搜索、集成和挖掘的前沿数据实验室。他在国立台湾大学获得理学学士学位，在斯坦福大学获得电机工程博士学位。他的研究涉及大规模信息访问，用于搜索、挖掘和跨结构化和非结构化大数据的集成，目前的重点是“以实体为中心”的Web搜索/挖掘和社交媒体分析。他在VLDB 2000年和2013年获得了两项最佳论文奖，2002年获得了NSF职业奖，2003年获得了NCSA院士奖，2004年和2005年获得了IBM院士奖，2008年获得了创业领导力学院院士奖，并在2001年、2004年、2005年、2006年、2010年和2011年获得了伊利诺伊大学不完整的优秀教师名单。他热衷于将研究成果带到现实世界中，并与学生共同创办了伊利诺伊大学（University of Illinois）的初创公司Cazoodle，致力于在网络上深化垂直的“数据感知”搜索。