网络表示学习：从预处理、特征提取到节点嵌入
社会与信息网络
2021-10-15 v1 机器学习
摘要
网络表示学习（NRL）推动了社交网络、知识图谱以及复杂生物医学和物理信息网络的传统图挖掘。文献中已报道了数十种网络表示学习算法。其中大多数专注于学习同构网络的节点嵌入，但它们在具体的编码方案以及捕获并用于学习节点嵌入的具体节点语义类型上有所不同。本综述回顾了同构网络上网络表示学习的设计原则和不同的节点嵌入技术。为了便于比较不同的节点嵌入算法，我们引入了一个统一的参考框架，将给定网络上的节点嵌入学习过程划分并概括为预处理步骤、节点特征提取步骤以及用于链路预测和节点聚类等 NRL 任务的节点嵌入模型训练。借助这一统一参考框架，我们重点介绍了节点嵌入模型学习过程不同阶段所使用的代表性方法、模型和技术。本综述不仅有助于研究人员和从业者深入理解不同的网络表示学习技术，还为设计和开发下一代网络表示学习算法与系统提供了实用指南。
引用
@article{arxiv.2110.07582,
title = {Network Representation Learning: From Preprocessing, Feature Extraction to Node Embedding},
author = {Jingya Zhou and Ling Liu and Wenqi Wei and Jianxi Fan},
journal= {arXiv preprint arXiv:2110.07582},
year = {2021}
}