复杂网络的双曲空间表征学习方法
作者:
作者单位:

作者简介:

王强(1995-),男,博士生,主要研究领域为复杂网络,机器学习.
江昊(1976-),男,博士,教授,博士生导师,主要研究领域为复杂网络,数据挖掘,机器学习.
羿舒文(1992-),男,博士生,主要研究领域为复杂网络,人工智能.
杨林涛(1982-),男,博士,副教授,主要研究领域为复杂网络,人工智能.
奈何(1992-),男,博士生,主要研究领域为数据挖掘,机器学习.
聂琦(1992-),男,博士生,主要研究领域为复杂网络,数据挖掘与分析,出行行为复杂性.

通讯作者:

江昊,E-mail:jh@whu.edu.cn

基金项目:

国家自然科学基金(U19B2004);中山市高端科研机构创新专项(181129112748101);广东省“大专项+任务清单”项目(2019sdr002)


Hyperbolic Representation Learning for Complex Networks
Author:
Affiliation:

Fund Project:

National Natural Science Foundation of China (U19B2004); Zhongshan City High-end Research Institution Innovation Project (181129112748101); Guangdong Province "Major Project and Task List" Project (2019sdr002)

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
    摘要:

    复杂网络在现实场景中无处不在,高效的复杂网络分析技术具有广泛的应用价值,比如社区检测、链路预测等.然而,很多复杂网络分析方法在处理大规模网络时需要较高的时间、空间复杂度.网络表征学习是一种解决该问题的有效方法,该类方法将高维稀疏的网络信息转化为低维稠密的实值向量,可以作为机器学习算法的输入,便于后续应用的高效计算.传统的网络表征学习方法将实体对象嵌入到低维欧氏向量空间中,但复杂网络是一类具有近似树状层次结构、幂率度分布、强聚类特性的网络,该结构更适合用具有负曲率的双曲空间来描述.针对复杂网络的双曲空间表征学习方法进行系统性的介绍和总结.

    Abstract:

    Complex networks naturally exist in a wide diversity of real-world scenarios. Efficient complex network analysis technology has wide applications, such as community detection, link prediction, etc. However, most complex network analytics methods suffer high computation and space cost dealing with large-scale networks. Network representation learning is one of the most efficient methods to solve this problem. It converts high-dimensional sparse network information into low-dimensional dense real-valued vectors which can be easily exploited by machine learning algorithms. Simultaneously, it facilitates efficient computation for subsequent applications. The traditional network representation embeds the entity objects in the low dimensional Euclidean vector space, but recent work has shown that the appropriate isometric space for embedding complex networks with hierarchical or tree-like structures, power-law degree distributions and high clustering is the negatively curved hyperbolic space. This survey conducts a systematic introduction and review of the literature in hyperbolic representation learning for complex networks.

    参考文献
    相似文献
    引证文献
引用本文

王强,江昊,羿舒文,杨林涛,奈何,聂琦.复杂网络的双曲空间表征学习方法.软件学报,2021,32(1):93-117

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
历史
  • 收稿日期:2019-09-09
  • 最后修改日期:2020-04-12
  • 录用日期:
  • 在线发布日期: 2020-07-27
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号