王建霞 刘梦琳 许云峰 张妍

摘 要：现实生活中存在的网络大多是包含多种类型节点和边的异构网络，比同构网络融合了更多信息且包含更丰富的语义信息。异构网络表示学习拥有强大的建模能力，可以有效解决异构网络的异质性，并将异构网络中丰富的结构和语义信息嵌入到低维节点表示中，以便于下游任务应用。通过对当前国内外异构网络表示学习方法进行归纳分析，综述了异构网络表示学习方法的研究现状，对比了各类别模型之间的特点，介绍了异构网络表示学习的相关应用，并对异构网络表示学习方法的发展趋势进行了总结与展望，提出今后可在以下方面进行深入探讨：1）避免预先定义元路径，应充分释放模型的自动学习能力;2）设计适用于动态和大规模网络的异构网络表示学习方法。

关键词：计算机神经网络;异构网络;表示学习;图神经网络;建模能力

中图分类号：TP311.13 文献标识码：A

文章编号：1008-1542（2021）01-0048-12

现实世界的数据集大多是以图形或网络等数据结构表示，其中对象及其之间的关系分别由节点和边来体现。例如社交网络[1-2]、物理系统[3]、交通网络[4-5]、引文网络[6-7]、推荐系统[8-9]、知识图[10]等。

网络中的节点拥有丰富的属性信息（如图像、文本等），形成典型的复杂信息网络。基于复杂信息网络的普遍存在性，对信息网络进行研究和分析具有很高的应用价值。

信息网络属于不规则的非欧几里德数据，如何有效地提取信息成为值得研究的课题。……