网络表示学习方法研究综述

孙金清，周 慧，赵中英

(山东科技大学 计算机科学与工程学院，山东 青岛 266590)

信息网络是最为常见的一种信息载体和形式，随着互联网的不断发展，以社交媒体网络、移动通信网络、维基百科等为代表的信息网络已成为日常生活中不可或缺的一部分。人类的各种交互行为产生了极为丰富的信息网络数据。与此同时，面向信息网络的数据挖掘也逐渐得到学术界和产业界的广泛关注。然而随着数据的规模逐渐增大和网络的复杂性的提升，使用传统的高维稀疏数据的编码方式难以对网络进行处理。因此，如何恰当的表示网络中的信息是研究人员首先要面对的重要问题。

网络表示学习(network representation learning)，又被称之为网络嵌入(network embedding)，是衔接网络中原始数据和网络应用任务的桥梁，旨在将网络中的组件(节点、边或子图等)表示成向量形式，同时最大程度地保留组件在原网络中的信息和属性。传统的网络表示一般使用高维的稀疏向量，网络表示学习旨在将网络中的复杂关系以更加直观、更加高效的方式对原始网络空间中的节点关系进行还原。近年来，研究者通过大量研究实验不断探索网络中组件的高效表示方法，使得学得的低维表征向量能够被机器学习算法处理，复杂的网络分析任务(节点分类[1-2]、链接预测[3-4]、社区发现[5-6]和推荐[7-8]等)得以高效地进行。例如，在基于位置的社交网络中，Luan等[9]使用张量分解等方法对网络中用户的行为进行建模，根据用户偏好进行推荐[10]；……