网络数据可以自然表达物体与物体之间的联系，生活中充满了网络数据，例如社交网络、计算机网络、物流网络、学术网络等等。在有关网络的研究中，如何表示网络信息是一个重要的问题。传统方法可以利用高维稀疏向量表示网络中的一个节点，但局限在于难以度量节点之间的相似性并且还会增大模型的时间和空间复杂度。随着表示学习技术在自然语言处理领域的成熟，相关的低维稠密向量表示方法也被应用于网络数据中。本文主要对近年来比较流行的几种网络表示学习方法进行简要的梳理和总结，以方便读者选择合适的方法解决特定的问题。
讲者介绍
柳阳，中国科学院计算技术研究所智能信息处理重点实验室在读博士，本科毕业于南京大学。目前研究兴趣为网络表示学习应用，涉及领域有城市活动建模和区块链交易模式挖掘。
报告题目：网络表示学习介绍
报告摘要：网络是描述复杂系统的一种数据结构， 生活中很多数据都可以用网络来表示，例如社交网络、计算机网络、生物网络、信息网络、神经网络等。不同于声音、图像等规则数据，网络的拓扑结构可能很复杂，其特征很难直接用简单的单一模态的数字来表示，因此需要嵌入式网络表示学习方法。本次分享主要介绍几种经典的网络表示学习方法，包括DeepWalk, Line, Node2vec, SDNE等等，以及他们各自在顶点分类、连边预测等网络任务中的表现，然后简要地梳理- -下2018年网络表示学习的最新进展，以及个人在时空数据中应用网络表示学习方法的心得体会。
参考资料
https://www.bilibili.com/video/BV1jt411D7Yg/
https://bbs.sffai.com/d/6