https://www.toutiao.com/a6639983875458073095/

2018-12-28 18:08:39

深度學習網路表徵學習演算法的目標是獲得網路的低維稠密表示。對於大規模網路（如社會網路）。網路表徵學習的目標是把網路中的每個節點表示成為個低維稠密的向量並且保證在這個低維空間上能夠很好地保留網路的拓撲結構節點表示能夠當作節點的特徵用於節點分類、節點聚類、網路視覺化、連結預測等不同的任務。受到詞向量學習技術word2vec的啟發，近年來產生了大量高效的網路節點表示演算法，最經典的演算法包括DeepWalk、LINE以及node2vec等。這些演算法本質上是通過保留網路的區域性結構性來估計節點的表示。

由於學術界、工業界的廣泛關注，網路節點表示已經取得了顯著的進展，目前越來越多的研究開始轉向整個網路的表示。與節點表示不同，整個網路表示的目標是將整個網路表示成一個低維向量，與其類似的還有保證具有相似結構的網路特徵表示。這類方法具有大量的應用。例如，新葯研發需要預測每個新研發出來的醫藥分子結構的性質，每個分子結構本質上也是一個圖結構，通過學習分子結構的特徵表示，有助於更有效地預測分子的性質。

由於不同網路的結構不同，學習整個網路的表示非常困難。傳統的卷積神經網路主要適用於影象這類具有固定的二維網格結構的資料，遞迴神經網路主要適用於語音、自然語言處理序列資料。