深度学习中的网络表征学习的算法目标简介

深度学习网络表征学习算法的目标是获得网络的低维稠密表示。对于大规模网络（如社会网络）。网络表征学习的目标是把网络中的每个节点表示成为个低维稠密的向量并且保证在这个低维空间上能够很好地保留网络的拓扑结构节点表示能够当作节点的特征用于节点分类、节点聚类、网络可视化、链接预测等不同的任务。受到词向量学习技术word2vec的启发，近年来产生了大量高效的网络节点表示算法，最经典的算法包括DeepWalk、LINE以及node2vec等。这些算法本质上是通过保留网络的局部结构性来估计节点的表示。

由于学术界、工业界的广泛关注，网络节点表示已经取得了显著的进展，目前越来越多的研究开始转向整个网络的表示。与节点表示不同，整个网络表示的目标是将整个网络表示成一个低维向量，与其类似的还有保证具有相似结构的网络特征表示。这类方法具有大量的应用。例如，新药研发需要预测每个新研发出来的医药分子结构的性质，每个分子结构本质上也是一个图结构，通过学习分子结构的特征表示，有助于更有效地预测分子的性质。

由于不同网络的结构不同，学习整个网络的表示非常困难。传统的卷积神经网络主要适用于图像这类具有固定的二维网格结构的数据，递归神经网络主要适用于语音、自然语言处理序列数据。