【网络节点表示学习教程】在向量空间中启用网络分析和推理，清华大学崔鹏博士最新分享

【导读】第32届AAAI大会-AAAI 2018已经于2月2号-7号在美国新奥尔良召开，清华大学崔鹏博士在大会作了精彩的报告“Network Representation Learning: Enabling Network Inference in Vector Space” ，主要讲述了近几年比较火的网络节点表示的方法，介绍了将网络嵌入到一个向量空间，并且讲述了 node importance、communitydetection、Network distance、link Prediction ，最后介绍了团队最近的两项工作。文章对网络节点表示的总结较为全面，并介绍最新的技术方法，如果您对这一领域感兴趣，我们建议您关注老师精彩的分享。专知内容组整理出他放出的PPT内容，欢迎大家查看。

▌教程的目标

现在大数据的体量和计算机的计算能力都在呈指数增长，如果按照这种趋势发展，那么对大数据的研究将不成问题。

对于这种大规模的网络数据，他认为由于 link 的存在，就会造成由迭代和组合造成的复杂性、由耦合带来的可平行性以及由节点间的从属关系带来的机器学习应用的一些问题。

崔鹏老师随后介绍了将网络嵌入到一个向量空间，那么关于 node importance、communitydetection、Network distance、link Prediction 等等问题都可以转化为向量空间中的问题。如何将网络嵌入到向量空间呢？崔鹏认为有两个目标：1、能否从向量空间重构原网络；2、向量空间是否支持网络表示。

介绍完这些背景知识后，崔鹏老师介绍了他们最近的两项工作。其一为从更复杂结构角度考虑的 Hyper-network Embedding，其二为从更多挑战性的特性角度考虑的 Dynamic Network Embedding。

崔鹏老师认为现实应用中网络数据还远没有被挖掘，主要面临着复杂性和可扩展性的瓶颈。对这一问题最本质的解决就是网络表示学习，而网络嵌入则被证明是一个有前景的方法，但仍然还有很长的路要走。

▌摘要

随着社交媒体的飞速发展以及深度学习技术的逐渐成熟，网络表示学习成为了工业界和学术界的新宠。从13年自然语言处理领域Wordvec的提出，到14年deepwalk的提出，网络表示学习开始大火，最近几年的研究成果可谓是如雨后春笋般出现，大量的工作都是基于网络表示学习的扩展，从近两年的发展趋势来看，网络表示学习开始向着更复杂的网络进发，比如超图、异质网络、动态网络。同时也开始逐渐往更深的模型靠拢，比如生成对抗网络，更深的深度模型等。同时结合外部信息的网络表示学习更具有实用性与挑战性，

最近我们将推出系列文章解读最新的网络表示学习的最新文章，敬请期待！

Slides链接：

http://media.cs.tsinghua.edu.cn/~multimedia/cuipeng/papers/Network%20Representation-Tutorial.pdf

作者主页：

http://media.cs.tsinghua.edu.cn/~multimedia/cuipeng/

▌PPT内容

更多PPT内容请参考以下链接：

http://media.cs.tsinghua.edu.cn/~multimedia/cuipeng/papers/Network%20Representation-Tutorial.pdf