【微软】最新《异构网络表示学习》综述论文

表示学习为各种AI领域提供了一种革命性的学习范式。在这个综述中，我们研究和回顾了表示学习的问题，并将重点放在由不同类型的顶点和关系组成的异构网络上。这个问题的目标是自动地将输入异构网络中的对象(最常见的是顶点)投射到潜在的嵌入空间中，这样网络的结构和关系属性就可以被编码和保存。嵌入(表示)可以被用作机器学习算法处理相应网络任务的特性。要学习表达性嵌入，目前的研究进展可以分为两大类: 浅层嵌入学习和图神经网络。经过对现有文献的彻底审查，我们确定了几个关键的挑战，仍然没有解决，并讨论未来的方向。最后，我们构建了异构图Benchmark，以促进对这个快速发展的课题的开放研究。