深度學習中的網絡表征學習的算法目标簡介

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

2018-12-28 18:08:39

深度學習網絡表征學習算法的目标是獲得網絡的低維稠密表示。對于大規模網絡（如社會網絡）。網絡表征學習的目标是把網絡中的每個節點表示成為個低維稠密的向量并且保證在這個低維空間上能夠很好地保留網絡的拓撲結構節點表示能夠當作節點的特征用于節點分類、節點聚類、網絡可視化、連結預測等不同的任務。受到詞向量學習技術word2vec的啟發，近年來産生了大量高效的網絡節點表示算法，最經典的算法包括DeepWalk、LINE以及node2vec等。這些算法本質上是通過保留網絡的局部結構性來估計節點的表示。

由于學術界、工業界的廣泛關注，網絡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絡的表示。與節點表示不同，整個網絡表示的目标是将整個網絡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絡特征表示。這類方法具有大量的應用。例如，新藥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征表示，有助于更有效地預測分子的性質。

由于不同網絡的結構不同，學習整個網絡的表示非常困難。傳統的卷積神經網絡主要适用于圖像這類具有固定的二維網格結構的資料，遞歸神經網絡主要适用于語音、自然語言處理序列資料。