基于深度学习的网络表征学习研究综述.docVIP

基于深度学习的网络表征学习研究综述

一、网络表征学习的基础概念与发展脉络

网络是现实世界中复杂系统的典型抽象表达形式，从社交网络中的用户关系、生物网络中的蛋白质交互，到交通网络的节点连接、知识图谱的实体关联，各类网络结构普遍存在于不同领域。网络表征学习（NetworkRepresentationLearning,NRL）的核心目标是将高维稀疏的网络节点映射到低维稠密的向量空间，同时保留网络的拓扑结构、节点属性、边的权重等关键信息，使得低维向量能够直接作为输入应用于分类、聚类、链接预测等下游任务。

传统网络表征方法可追溯至20世纪初的社会网络分析领域，以节点中心性、介数等统计特征为代表，这类方法依赖人工设计特征，泛化能力弱且难以处理大规模网络。2000年后，基于矩阵分解的方法成为主流，通过对邻接矩阵、拉普拉斯矩阵进行分解得到节点低维表示，但矩阵分解的时间复杂度与节点数量的三次方成正比，无法适配百万级节点的大规模网络。2014年DeepWalk算法的提出标志着网络表征学习进入深度学习时代，该算法借鉴自然语言处理中的Word2Vec思想，通过随机游走生成节点序列，将节点视为单词、序列视为句子，训练得到的向量能够有效捕获节点的局部结构相似性，其时间复杂度近似线性，为大规模网络表征学习提供了可行路径。

二、基于深度学习的网络表征学习主流范式

（一）随机游走与神经网络融合的浅层模型

De