复杂网络的双曲空间表征学习方法

• 全文链接
• 请求原文

作   者：

王强;  江昊;  羿舒文;  杨林涛;  奈何;  聂琦; 

作者机构：

武汉大学电子信息学院;  华中师范大学物理科学与技术学院; 

关键词：

表征学习;  网络嵌入;  机器学习;  双曲空间;  复杂网络; 

期刊名称：

软件学报

基金项目：

i s s n：

1000-9825

年卷期：

2021 年 001 期

页   码：

93-117

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.