复杂网络的双曲空间表征学习方法

作     者：王强 江昊 羿舒文 杨林涛 奈何 聂琦 WANG Qiang;JIANG Hao;YI Shu-Wen;YANG Lin-Tao;NAI He;NIE Qi

作者机构：武汉大学电子信息学院湖北武汉430072 华中师范大学物理科学与技术学院湖北武汉430079 

出 版 物：《软件学报》 (Journal of Software)

年 卷 期：2021年第32卷第1期

页      面：93-117页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(U19B2004) 中山市高端科研机构创新专项(181129112748101) 广东省“大专项+任务清单”项目(2019sdr002) 

主　　题：复杂网络 双曲空间 表征学习 网络嵌入 机器学习 

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.