《中国人工智能学会通讯》——3.5 总结与展望-阿里云开发者社区

开发者社区> 人工智能> 正文

《中国人工智能学会通讯》——3.5 总结与展望

简介: 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第3章,第3.5节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。

3.5 总结与展望

本文从建模的信息种类上,论述了近年来有代表性的基于深度学习的网络表示学习模型。

基于网络上下文信息的网络表示方法中,LINE模型使用了一阶和二阶网络局部信息,拓展的GraRep 模型可以对任意阶局部信息建模来获得网络表示。值得注意的是,在得到最终的网络表示方法上,LINE 和 GraRep 模型都是对每一阶的局部信息分别建模,然后再将各阶表示向量拼接起来作为最终的表示。这两个模型都没有采用对各阶局部信息统一建模的思路,同时也没有比较各阶网络上下文信息对网络表示的重要性。

基于网络结构和节点信息的网络表示方法中,这些模型可以看作是第一部分模型的拓展。从节点内部信息的种类来说,TADW 模型考虑了节点自身产生的文本信息;Multi-faceted Representations模型考虑了文本信息和节点自身的属性信息。

由于基于深度学习的网络表示还处于起步阶段,建模的信息,相比实际网络结构中存在的信息相当有限。一方面,在实际的网络结构(尤其是社交网络)中,网络节点还存在图像、视频和音频等内容信息。如何统一地建模多模态(multi-modal)信息以及探讨不同的信息对网络表示的重要性会是网络表示学习的一个重要的研究方向。更进一步,实际网络往往由不同的类型的节点(如文本、图像和视频)构成,同时网络节点具有动态变化的特点,如何对异质网络和动态网络进行表示学习将会是一个非常有挑战性的研究方向。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章