网络表示学习综述-清华大学.pdfVIP

网网络络表表示示学学习习综综述述 涂存超, 杨成, 刘知远 and 孙茂松 Citation: 中国科学: 信息科学 ; doi: 10.1360/N112017-00145 View online: http://engine.s i hina. om/doi/10.1360/N112017-00145 Published by the 《中国科学》杂志社 Articles you may be interested in 使用 层神经元网络的先验信息新学习方法 中国科学E辑: 技术科学 34, 374 (2004); 一种 自适应小波网络的构造及其学习算法 中国科学E辑: 技术科学 31, 172 (2001); 从数学角度看计算智能 科学通报 43, 1681 (1998); 多目标优化神经网络的研究 中国科学B辑: 化学 生命科学 地学 25, 165 (1995); 聊天机器人中用户出行消费意图识别方法 中国科学: 信息科学 , ; 中国科学 信息科学 从大数据到大知识工程专刊 评述 网络表示学习综述 1,2,3 1,2,3 1,2,3* 1,2,3 涂存超 杨成 刘知远 孙茂松 1. 清华大学计算机科学与技术系, 北京 100084 2. 智能技术与系统国家重点实验室 (清华大学), 北京 100084 3. 清华信息科学与技术国家实验室 (筹), 北京 100084 * 通信作者. E-mail: liuzy@ 同等贡献 收稿日期: 2017–06–30; 接受日期: 2017–08–01; 网络出版日期: 2017–08–23 国家重点基础研究发展计划(973) (批准号: 2014CB340501)、国家社会科学基金重大招标项目 (批准号: 13ZD190)、国家自然科 学基金 (批准号:、中国科协青年人才托举计划(批准号: 2016QNRC001) 和清华大学自主科研项目 (批准号: 201510804 06) 资助 摘要 网络是表达物体和物体间联系的一种重要形式 针对网络的分析研究的一个关键问题就是研 究如何合理地表示网络中的特征信息 随着机器学习技术的发展 针对网络中节点的特征学习成为 了一项新兴的研究任务 网络表示学习算法将网络信息转化为低维稠密的实数向量 并用于已有的 机器学习算法的输入 举例来说 节点表示可以作为特征送入支持向量机等分类器用于节点分类任 务 也可以作为欧氏空间中的点坐标用于可视化任务 近年来 网络表示学习问题吸引了大量的研究 者的目光 本文将针对近年来的网络表示学习工作进行系统性的介绍和总结 关键词 网络 表示学习 机器学习 深度学习 神经网络 引言 网络数据形式可以自然地表达物体和物体间的联系 在我们的日常生活与工作中无处不在 举例 来说 和新浪微博等构成了人与人之间的社交网络 互联网上成千上万个页面构成了网页链 接的网络 国家城市间的运输交通构成了物流网络 由此可见 信息网络是我们生产生活中最为常见 的一种信息载体和形式 信息社会中很多网络节点拥有丰富的文本等外部信息 形成典型的复杂信息 网络 基于复杂信息网络的广泛存在 对这类网络信息进行研究与分析具有非常高的学术价值和潜在 应用价值 对于复杂信息网络的分析 根据信息网络载体的不同 也会具有非常广的普适性 在学术价值方面 信息网络是信息的重要表达形式 随着大数据和深度学习技术的突飞猛进 人 工智能研究正面临新一轮的爆发式发展 能否对复杂信息网络做出有效合理的数据分析是今后学术研 究上的热门话题 在应用价值方面 信息网络中拥有着非常广泛的应用场景 如节点分类、链接预测、 引用格式 涂存超 杨成 刘知远 等 网络表示学习综述 中国科学 信息科学 ⃝ 《中国科学》杂志社 Downloaded to IP: 13 On: 2017-09-05 16