网络嵌入教程

Aug, 2018

A Tutorial on Network Embeddings

Haochen Chen, Bryan Perozzi, Rami Al-Rfou, Steven Skiena

TL;DR本次调查综述了网络嵌入的发展历史以及对分类、聚类、链接预测和可视化等任务的作用，将网络嵌入方法根据不同场景进行了分类，包括监督学习、无监督学习、同质网络和异质网络等。最后，探讨了网络嵌入未来的研究方向。

Abstract

network embedding methods aim at learning low-dimensional latent representation of nodes in a network. These representations can be used as features for a wide range of tasks on graphs such as classification, clustering, link prediction, and visualization. In this survey, we give an ov

network embedding graph representation machine learning supervised learning unsupervised learning

发现论文，激发创造

网络嵌入调查

本文介绍了网络嵌入方法的发展和分类，包括结构、属性、有监督、非监督等多种方法，并讨论了其评价指标和未来发展方向以及在构建有效系统中的应用。

Nov, 2017

网络感知嵌入的无监督学习

通过估计数值节点属性之间的网络距离，我们可以创建网络感知嵌入，而不是对网络的节点进行聚类。在本文中，我们修复了无监督学习文献中的这个盲点，并展示了我们的方法在各种领域的应用中始终是有益的，并且可以提供可操作的见解。

Sep, 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

使用 Node2Vec 学习得到的嵌入进行社区检测和分类保证

通过对大型网络的节点进行嵌入，得到欧几里德空间中的表示是现代机器学习中的一个常见目标，该研究工作就对 node2vec 学习到的嵌入进行了理论性的分析，证明了其在聚类任务中表现出较弱的一致性，并对其在网络数据中的应用进行了讨论。

Oct, 2023

近期基于随机游走的知识图嵌入方法综述

本文主要介绍了知识图谱及其嵌入方法，并回顾了最近发展的一些基于随机游走的嵌入方法。

Jun, 2024

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

多层网络嵌入的原则

通过将三种方法（网络聚合，结果聚合和层共分析）应用于多层网络，我们将其投影到连续的向量空间中，并通过评估验证了其中一种方法（层共分析）在大多数数据集上的表现优于常规链接预测方法。

Sep, 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

基于低秩表示的复杂网络分类问题

本文研究了实际应用中复杂网络的图形建模与欧几里得嵌入，以及这些低秩表示在网络分类问题中的性能表现。

Oct, 2022

在生物医学网络上的图嵌入：方法、应用和评估

本文选择 11 种代表性的图嵌入方法，对药物 - 疾病关联、药物 - 药物交互、蛋白质 - 蛋白质相互作用、医学术语语义分类和蛋白功能预测等 5 个生物医学任务的 3 种预测方法进行评估比较，并提出了挑选嵌入方法和设置超参数的普适指导原则。结果表明，最近的图嵌入方法在未使用任何生物学特征的情况下，能够取得与具有生物学特征的方法相媲美的预测性能。

Jun, 2019