作　　者： (涂存超）; (杨成）; (刘知远）; (孙茂松）;

机构地区： 清华大学计算机科学与技术系,北京100084 智能技术与系统国家重点实验室（清华大学）,北京100084 清华信息科学与技术国家实验室（筹）,北京100084

出　　处： 《中国科学：信息科学》 2017年第8期980-996,共17页

摘　　要： 网络是表达物体和物体间联系的一种重要形式,针对网络的分析研究的一个关键问题就是研究如何合理地表示网络中的特征信息.随着机器学习技术的发展,针对网络中节点的特征学习成为了一项新兴的研究任务.网络表示学习算法将网络信息转化为低维稠密的实数向量,并用于已有的机器学习算法的输入.举例来说,节点表示可以作为特征送入支持向量机等分类器用于节点分类任务,也可以作为欧氏空间中的点坐标用于可视化任务.近年来,网络表示学习问题吸引了大量的研究者的目光,本文将针对近年来的网络表示学习工作进行系统性的介绍和总结. Networks are important ways of representing objects and their relationships. A key problem in the study of networks is how to represent the network information properly. With the developments in machine learning, feature learning of network vertices has become an important area of study. Network representation learning algorithms turn network information into dense, low-dimensional real-valued vectors that can be used as inputs for existing machine learning algorithms. For example, the representation of vertices can be fed to a classifier such as a Support Vector Machine（SVM） for vertex classification. In addition, the representations can be used for visualization by taking the representations as points in a Euclidean space. The study of network representation learning has attracted the attention of many researchers. In this article, recent works on network representation learning are introduced and summarized.

关 键 词： 网络 表示学习 机器学习 深度学习 神经网络