计算机科学与探索

作者：周慧，赵中英，李超

单位：山东科技大学 计算机科学与工程学院，山东 青岛 266590

关键词：网络表示学习,异质信息网络,网络分析

网络表示学习旨在为网络中的组件（节点、边、子网络等）学习出低维的表征向量，使得这些向量能够在最大程度上保留组件在原网络中的特性。异质信息网络是由多种类型的节点、链接关系以及属性信息组成的网络，具有动态性、大规模和异质性等特点，在现实生活中普遍存在。融合多种异质信息进行网络表示学习，能在一定程度上解决数据稀疏问题，同时有助于训练出具有高区别力和推理能力的表征向量。但与此同时，也面临着如何有效处理复杂数据关系以及平衡异质信息的挑战。近年来，研究者们针对异质信息网络设计了不同的表示学习算法，在很大程度上推动了该领域的发展。针对这些算法，首先设计一个统一的分类框架，接着对各类别下的代表性算法进行概括介绍和比较，分析它们的时间复杂度和优缺点。此外，分类汇总了实验中的常用数据集。最后给出了该领域的挑战和未来可能的研究方向。

来源：2019年第7期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2019年第7期