【摘要】：網(wǎng)絡(luò)是表達(dá)物體和物體間聯(lián)系的一種重要形式,針對(duì)網(wǎng)絡(luò)的分析研究的一個(gè)關(guān)鍵問(wèn)題就是研究如何合理地表示網(wǎng)絡(luò)中的特征信息.隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,針對(duì)網(wǎng)絡(luò)中節(jié)點(diǎn)的特征學(xué)習(xí)成為了一項(xiàng)新興的研究任務(wù).網(wǎng)絡(luò)表示學(xué)習(xí)算法將網(wǎng)絡(luò)信息轉(zhuǎn)化為低維稠密的實(shí)數(shù)向量,并用于已有的機(jī)器學(xué)習(xí)算法的輸入.舉例來(lái)說(shuō),節(jié)點(diǎn)表示可以作為特征送入支持向量機(jī)等分類器用于節(jié)點(diǎn)分類任務(wù),也可以作為歐氏空間中的點(diǎn)坐標(biāo)用于可視化任務(wù).近年來(lái),網(wǎng)絡(luò)表示學(xué)習(xí)問(wèn)題吸引了大量的研究者的目光,本文將針對(duì)近年來(lái)的網(wǎng)絡(luò)表示學(xué)習(xí)工作進(jìn)行系統(tǒng)性的介紹和總結(jié).
[Abstract]:Network is an important form of expressing the relationship between objects and objects. A key problem in the analysis of network is how to represent the characteristic information in the network reasonably. With the development of machine learning technology, feature learning for nodes in the network has become a new research task. The network representation learning algorithm transforms the network information into low dimensional dense real number vectors and is used to input the existing machine learning algorithms. For example, node representation can be used as a feature for classifiers such as support vector machines for node classification tasks, or as point coordinates in Euclidean space for visual tasks. In recent years, the network representation learning problem has attracted a lot of researchers' attention. This paper will systematically introduce and summarize the network representation learning work in recent years.
【作者單位】： 清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系;智能技術(shù)與系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室(清華大學(xué));清華信息科學(xué)與技術(shù)國(guó)家實(shí)驗(yàn)室(籌);
【基金】：國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973)(批準(zhǔn)號(hào):2014CB340501) 國(guó)家社會(huì)科學(xué)基金重大招標(biāo)項(xiàng)目(批準(zhǔn)號(hào):13&ZD190) 國(guó)家自然科學(xué)基金(批準(zhǔn)號(hào):61572273) 中國(guó)科協(xié)青年人才托舉計(jì)劃(批準(zhǔn)號(hào):2016QNRC001) 清華大學(xué)自主科研項(xiàng)目(批準(zhǔn)號(hào):20151080406)資助
【分類號(hào)】：TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬志方;;一種類推學(xué)習(xí)法[J];計(jì)算機(jī)研究與發(fā)展;1990年09期

2 汪云九,姚國(guó)正;神經(jīng)系統(tǒng)中學(xué)習(xí)和記憶的數(shù)學(xué)模型[J];自然雜志;1987年11期

3 馮英偉;韓瑛;;基于Agent技術(shù)的網(wǎng)絡(luò)教育學(xué)習(xí)者分析[J];教育信息化;2006年20期

4 吳元斌;;單agent強(qiáng)化學(xué)習(xí)與多agent強(qiáng)化學(xué)習(xí)比較研究[J];電腦與信息技術(shù);2009年01期

5 汪國(guó)華;;CBR模式下個(gè)體進(jìn)行高效率學(xué)習(xí)的思考[J];數(shù)學(xué)通訊;2009年06期

6 王星;方濱興;張宏莉;何慧;趙蕾;;關(guān)系分類的學(xué)習(xí)界限研究[J];軟件學(xué)報(bào);2013年11期

7 張景祥;王士同;鄧趙紅;李奕;蔣亦樟;;具有協(xié)同約束的共生遷移學(xué)習(xí)算法研究[J];電子學(xué)報(bào);2014年03期

8 孫方平;符秀輝;;復(fù)雜環(huán)境下機(jī)器人的行為學(xué)習(xí)研究[J];儀器儀表學(xué)報(bào);2006年S3期

9 趙鳳飛;覃征;;一種多動(dòng)機(jī)強(qiáng)化學(xué)習(xí)框架[J];計(jì)算機(jī)研究與發(fā)展;2013年02期

10 余志剛,徐華中;變學(xué)習(xí)因子神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制研究[J];武漢汽車工業(yè)大學(xué)學(xué)報(bào);1997年02期

相關(guān)博士學(xué)位論文 前3條

1 王星;關(guān)系分類模型的學(xué)習(xí)界限與應(yīng)用[D];哈爾濱工業(yè)大學(xué);2015年

2 潘劍寒;基于多潛在空間的遷移學(xué)習(xí)算法研究[D];合肥工業(yè)大學(xué);2016年

3 龍明盛;遷移學(xué)習(xí)問(wèn)題與方法研究[D];清華大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李杰龍;基于主動(dòng)學(xué)習(xí)的多示例多標(biāo)簽學(xué)習(xí)算法研究[D];廣東工業(yè)大學(xué);2016年

2 謝江龍;面向張量數(shù)據(jù)的遷移學(xué)習(xí)研究與應(yīng)用[D];廣東工業(yè)大學(xué);2016年

3 周誼成;面向強(qiáng)化學(xué)習(xí)的模型學(xué)習(xí)算法研究[D];蘇州大學(xué);2016年

4 魯成祥;基于動(dòng)機(jī)的強(qiáng)化學(xué)習(xí)及其應(yīng)用研究[D];曲阜師范大學(xué);2016年

5 徐驍;深度學(xué)習(xí)的亞健康識(shí)別算法的研究[D];遼寧大學(xué);2016年

6 趙權(quán);標(biāo)記分布學(xué)習(xí)若干問(wèn)題研究[D];東南大學(xué);2016年

7 李波;基于分層強(qiáng)化學(xué)習(xí)的多agent路徑規(guī)劃與編隊(duì)方法研究[D];河南師范大學(xué);2016年

8 焦夏;基于多Agent的移動(dòng)學(xué)習(xí)模型研究[D];寧波大學(xué);2013年

9 馬海鵬;泛在學(xué)習(xí)環(huán)境下一種學(xué)習(xí)控制模型的研究[D];陜西師范大學(xué);2014年

10 宋碧慧;基于多Agent協(xié)作強(qiáng)化學(xué)習(xí)的研究[D];湖南大學(xué);2013年

，

本文編號(hào)：2387800