【图机器学习论文】综述：网络表示学习（Network Representation Learning: A Survey）

题目： Network Representation Learning: A Survey

摘要：

随着信息技术的广泛应用，信息网络越来越受到人们的欢迎，它可以捕获各种学科之间的复杂关系，如社交网络、引用网络、电信网络和生物网络。对这些网络的分析揭示了社会生活的不同方面，如社会结构、信息传播和交流模式。然而，在现实中，大规模的信息网络往往使网络分析任务计算昂贵或难以处理。网络表示学习是近年来提出的一种新的学习范式，通过保留网络拓扑结构、顶点内容和其它边信息，将网络顶点嵌入到低维向量空间中。这有助于在新的向量空间中方便地处理原始网络，以便进行进一步的分析。在这项调查中，我们全面回顾了目前在数据挖掘和机器学习领域的网络表示学习的文献。我们提出了新的分类法来分类和总结最先进的网络表示学习技术，根据潜在的学习机制、要保留的网络信息、以及算法设计和方法。我们总结了用于验证网络表示学习的评估协议，包括已发布的基准数据集、评估方法和开源算法。我们还进行了实证研究，以比较代表性的算法对常见数据集的性能，并分析其计算复杂性。最后，我们提出有希望的研究方向，以促进未来的研究。

作者简介：

Xingquan Zhu是佛罗里达大西洋大学计算机与电气工程和计算机科学系的教授，在中国上海复旦大学获得了计算机科学博士学位。曾在多家研究机构和大学工作过，包括微软亚洲研究院(实习)、普渡大学、佛蒙特大学和悉尼科技大学。主要研究方向:数据挖掘、机器学习、多媒体系统、生物信息学。