网络表示学习: 一份综述

Dec, 2017

Network Representation Learning: A Survey

Daokun Zhang, Jie Yin, Xingquan Zhu, Chengqi Zhang

TL;DR本综述全面地回顾了数据挖掘和机器学习领域的网络表征学习技术的当前文献，并根据基本的学习机制、网络信息的保留意图以及算法设计和方法学对其进行分类和总结，同时对于验证网络表征学习的评估协议，如公开的基准数据集、评估方法和开源算法也进行了总结和分析，并在常见数据集上比较了代表性算法之间的性能和计算复杂度，并提出未来的研究方向。

Abstract

With the widespread use of information technologies, information networks have increasingly become popular to capture complex relationships across various disciplines, such as social networks, citation networks, telecommunication networks, and biological networks. Analyzing these netwo

发现论文，激发创造

图嵌入技术、应用及性能：一项调查

本文综述了图嵌入技术的各种方法，介绍了三个不同的分类方法的代表性算法，并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向，并介绍了一个名为GEM的Python库，其中提供了所有介绍的算法作为一个统一的接口，以促进和便利这个领域的研究。

May, 2017

图表示学习：方法与应用

本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。

Sep, 2017

探究无监督图嵌入的语义内容：一项实证研究

本文研究图嵌入是否近似于传统的顶点层面图特征，通过从嵌入空间直接预测已知的拓扑特征，使用监督和无监督方法，并通过对五种最先进的无监督图嵌入技术进行广泛的实验评估，测量一系列拓扑特征，我们证明了嵌入空间确实近似了几个拓扑特征，从而提供了关于图嵌入如何创建好表示的关键的洞见。

Jun, 2018

非监督网络表示学习的比较研究

本文提出一种框架用于将不同的网络表示方法统一化，研究它们的有效性, 经过一系列的实证研究表明，并没有一个单一的方法是最好的，选择一个适合的方法取决于嵌入方法的某些属性、任务和底层图的结构属性。

Mar, 2019

网络表示学习：巩固与更新方向

本研究对15个数据集进行了12种度量方法的实验研究，其中涵盖了图的非线性降维和表示学习。结果显示，无论是在连接预测还是节点分类任务中，没有一种方法完全胜出。

May, 2019

图表示学习：调查

通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能，本文综述了图表示学习的最新研究进展，同时探讨了其在潜在应用和未来发展方向的应用与发展。

Sep, 2019

异构网络表示学习: 一种具有调研和基准的统一框架

本研究旨在提供一个统一框架以深入概述和评估异构网络嵌入(HNE)的现有研究，并通过提供分类和分析不同现有HNE算法的优点和缺点、创建四个基准数据集以便于对HNE算法进行公正的评价、以及修改并创建13个受欢迎的HNE算法的友好界面，并在多个任务和实验设置中进行全方位比较来推动深度学习在异质网络关键任务中的应用。

Apr, 2020

图上的机器学习：模型和综合分类

本文提出一种名为 GRAPHEDM 的综合方法，旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来，构成一种用于学习图表征的完整分类法。通过将现有的30多种算法整合到这一框架中，本方法具有很高的通用性，从而提供了理解这些方法背后的直觉基础，促进了此领域未来研究的发展。

May, 2020

深度图表示学习的综合调查

本篇综述了目前深度图表示学习算法的最新研究进展，提出了现有技术的新分类法，并探讨了深度图表示学习的实际应用、前景及挑战方向。

Apr, 2023

网络嵌入指南

本文综述了网络嵌入技术的相关文献，介绍了当前流行的方法和研究动态，以帮助读者在这个领域的复杂研究中找到方向。

May, 2023