- 1、本文档共66页,其中可免费阅读20页,需付费100金币后方可阅读剩余内容。
- 2、本文档内容版权归属内容提供方,所产生的收益全部归内容提供方所有。如果您对本文有版权争议,可选择认领,认领后既往收益都归您。
- 3、本文档由用户上传,本站不保证质量和数量令人满意,可能有诸多瑕疵,付费之前,请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形,可联系本站下载客服投诉处理。
- 4、文档侵权举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
摘要
图表示学习旨在将图结构中的节点表示为低维向量,以便更好地理解和处理图数
据。通过将节点映射到低维向量空间中,可以保留节点之间的结构信息和相似性,从
而使得复杂网络结构可以在低维空间中进行更有效的分析和学习。利用图表示学习技
术可以高效地分析和挖掘网络中丰富的信息,然而,随着网络规模的不断扩大,现有
的图表示学习算法显示出一些局限性:一方面对网络拓扑结构的利用不充分,往往无法
兼顾图的局部结构和全局结构;另一方面在将同构图表示学习算法推广到异构图的过
程中,其异质性和复杂交互性仍然是一大难题。针对
文档评论(0)