[论文解读] A Survey on Network Embedding

Peng Cui, Xiao Wang+2 more|arXiv (Cornell University)|Nov 23, 2017

Complex Network Analysis Techniques参考文献 45被引用 46

一句话总结

本综述全面概述了学习低维节点表示的网络嵌入方法，以保留网络结构和属性。它根据结构与属性保持技术、辅助信息整合以及高级信息建模对方法进行分类，同时识别出关键挑战和未来方向，如动态网络、双曲空间和异质信息网络。

ABSTRACT

Network embedding assigns nodes in a network to low-dimensional representations and effectively preserves the network structure. Recently, a significant amount of progresses have been made toward this emerging network analysis paradigm. In this survey, we focus on categorizing and then reviewing the current development on network embedding methods, and point out its future research directions. We first summarize the motivation of network embedding. We discuss the classical graph embedding algorithms and their relationship with network embedding. Afterwards and primarily, we provide a comprehensive overview of a large number of network embedding methods in a systematic manner, covering the structure- and property-preserving network embedding methods, the network embedding methods with side information and the advanced information preserving network embedding methods. Moreover, several evaluation approaches for network embedding and some useful online resources, including the network data sets and softwares, are reviewed, too. Finally, we discuss the framework of exploiting these network embedding methods to build an effective system and point out some potential future directions.

研究动机与目标

• 系统性地对网络嵌入方法的最新进展进行分类和综述，以实现有效的网络表示。
• 识别当前方法的局限性，包括对成对关系的依赖、对辅助信息处理不佳，以及在动态或双曲网络结构中的不适用性。
• 探索在异质网络中集成高阶结构（如网络基元和元路径）的可能性。
• 解决在幂律分布网络中稀疏节点表示的挑战。
• 提出未来研究方向，包括动态网络嵌入和非欧几里得嵌入空间。

提出的方法

• 将网络嵌入方法分为三大类：结构与属性保持型、辅助信息增强型以及高级信息保持型方法。
• 回顾经典图嵌入算法及其与现代网络嵌入技术的关系。
• 分析整合辅助信息（如节点属性或标签）的方法，假设结构与辅助信息之间存在对齐。
• 提出将网络嵌入扩展至非欧几里得空间，特别是双曲几何，以更好地建模无标度和聚类网络。
• 讨论在异质信息网络中使用元路径以编码高阶结构约束。
• 回顾评估协议和开源工具，包括基准数据集和网络嵌入软件库。

实验结果

研究问题

• RQ1 如何在低维空间中有效保留网络的局部和全局结构？
• RQ2 辅助信息在多大程度上能提升网络嵌入的质量？当结构与辅助信息不一致时，性能下降的程度如何？
• RQ3 成对相似性假设在捕捉节点中心性和高阶网络基元方面存在哪些局限性？
• RQ4 网络嵌入如何适应随时间演化的动态网络？
• RQ5 非欧几里得空间（如双曲几何）是否能更好地表示具有幂律度分布和强聚类特性的现实世界网络？

主要发现

• 与传统图表示相比，网络嵌入显著降低了计算复杂度并提高了可并行性，通过将高维稀疏邻接矩阵替换为密集的低维向量。
• 现有方法通常难以建模高阶结构（如网络基元或元路径），这限制了其捕捉复杂节点关系的能力。
• 网络结构与辅助信息之间对齐的假设在现实应用中可能不成立，低相关性会降低嵌入性能。
• 在幂律网络中，由于结构信息有限，稀疏节点的表示效果较差，而现有方法未能充分解决这种不平衡问题。
• 动态网络嵌入仍是重大挑战，因为对大规模演化网络在每个时间步重新运行静态方法在计算上不可行。
• 将网络嵌入扩展至双曲空间在建模具有异质度分布和由负曲率自然产生的强聚类特性的网络方面显示出巨大潜力。