文献类型：期刊文章

作　　者：周丽华[1] 王家龙[1] 王丽珍[1] 陈红梅[1] 孔兵[1]

ZHOU Li-Hua;WANG Jia-Long;WANG Li-Zhen;CHEN Hong-Mei;KONG Bing(School of Information Science and Engineering,Yunnan University,Kunming 650500)

机构地区：[1]云南大学信息学院计算机科学与工程系,昆明650500

出　　处：《计算机学报》

基　　金：国家自然科学基金(62062066,61762090和61966036);云南省大学创新计划(IRTSTYN);国家社会科学基金(18XZZ005);云南省高校物联网技术及应用重点实验室和云南大学研究生科研创新基金项目(2021Y024)的资助.

年　　份：2022

卷　　号：45

期　　号：1

起止页码：160-189

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：随着信息技术的快速发展,信息网络无处不在,例如社交网络、学术网络、万维网等.由于网络规模不断扩大以及数据的稀疏性,信息网络的分析方法面临巨大挑战.作为应对网络规模及数据稀疏挑战的有效方法,信息网络表征学习旨在利用网络的拓扑结构、节点内容等信息将节点嵌入到低维的向量空间中,同时保留原始网络固有的结构特征和内容特征,从而使节点的分类、聚类、链路预测等网络分析任务能够基于低维、稠密的向量完成.由多种类型的节点和连边构成的异质信息网络包含更加全面、丰富的结构和语义信息,因此异质信息网络的表征学习不仅能够有效缓解网络数据高维、稀疏性问题,还能融合网络中不同类型的异质信息,使学习到的表征更有意义和价值.近年来,异质信息网络的表征学习受到学术界和工业界的广泛关注,成为网络分析的一个重要研究主题,研究成果不断涌现.然而,目前还缺乏对现有成果进行全面梳理的工作,相关研究人员难以系统地了解最新研究进展,在实际应用中也难以选择合适的嵌入模型.为此,本文对异质信息网络表征学习的方法进行了全面综述,包括相关概念、网络分类、学习方法、数据集与测评指标、典型应用,同时对未来的研究方向进行了展望.本文工作有助于研究人员全面系统地了解异质信息网络表征学习的研究进展,也有助于从业人员更有效地解决实际应用问题.

关 键 词：异质信息网络  表征学习  随机游走 负采样  深度神经网络  

分 类 号：TP18]