主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2020-2021年专刊出版计划 微信服务介绍 最新一期:2020年第7期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
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,0,(0):0
复杂网络的双曲空间表征学习方法
Hyperbolic Representation Learning for Complex Networks
投稿时间:2019-09-09  修订日期:2020-04-12
DOI:10.13328/j.cnki.jos.006092
中文关键词:  复杂网络  双曲空间  表征学习  网络嵌入  机器学习
英文关键词:complex networks  hyperbolic space  representation learning  network embedding  machine learning
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项目(181129112748101);广东省“大专项+任务清单”项目(2019sdr002)
作者单位E-mail
王强 武汉大学 电子信息学院, 湖北 武汉 430072  
江昊 武汉大学 电子信息学院, 湖北 武汉 430072 jh@whu.edu.cn 
羿舒文 武汉大学 电子信息学院, 湖北 武汉 430072  
杨林涛 华中师范大学 物理科学与技术学院, 湖北 武汉 430079  
奈何 武汉大学 电子信息学院, 湖北 武汉 430072  
聂琦 武汉大学 电子信息学院, 湖北 武汉 430072  
摘要点击次数: 53
全文下载次数: 80
中文摘要:
      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.然而直接对大规模的复杂网络邻接矩阵进行分析需要较高的时间、空间复杂度,网络表征学习是一种解决此问题的有效方法.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.本文将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.
英文摘要:
      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 suffer the high computation and space cost because of the direct use of large-scale adjacency matrix. 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 vector which can be easily exploited by machine learning algorithm. 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 structure, power-law degree distributions and high clustering is the negatively curved hyperbolic space. In this survey, we conduct a systematic introduction and review of the literature in hyperbolic representation learning for complex networks.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利