Heterogeneous Network Representation Learning: A Unified Framework with Survey and Benchmark 由于现实世界中的对象及其交互通常是多模态和多类型的，因此异构网络被广泛用作传统同构网络（图）的更强大、更真实和更通用的超类。同时，表征学习（又称嵌入）最近得到了广泛的研究，并被证明对各种网络挖掘和分析任务是有效的。在这项工作中，我们的目标是提供一个统一的框架，以深入总结和评估现有的异构网络嵌入（HNE）研究，包括但不限于一般的调查。由于已经有了大量的HNE算法，作为这项工作的第一个贡献，我们提供了一个通用的范例，用于系统地分类和分析各种现有HNE算法的优点。此外，现有的HNE算法虽然大多声称是通用的，但通常在不同的数据集上进行评估。由于HNE的应用优势，这种间接比较在很大程度上阻碍了将改进的任务性能正确地归因于有效的数据预处理和新颖的技术设计，特别是考虑到从实际应用数据构建异构网络的各种可能方式。因此，作为第二项贡献，我们从不同来源创建了四个基准数据集，这些数据集具有关于规模、结构、属性/标签可用性等的各种属性，以方便和公平地评估HNE算法。作为第三个贡献，我们仔细地重构和修改了实现，为13种流行的HNE算法创建了友好的界面，并在多个任务和实验设置中对它们进行了全面的比较。

表征学习为各种人工智能领域提供了一种革命性的学习范式。在本次调查中，我们研究和回顾了表征学习的问题，重点是由不同类型的顶点和关系组成的异构网络。这个问题的目标是自动将输入异构网络中的对象（最常见的是顶点）投影到潜在的嵌入空间中，这样网络的结构和关系属性都可以被编码和保留。然后可以将嵌入（表示）用作机器学习算法的特征，以解决相应的网络任务。为了学习表达性嵌入，当前的研究进展可以分为两大类：浅层嵌入学习和图神经网络。在对现有文献进行彻底审查后，我们确定了几个尚未解决的关键挑战，并讨论了未来的方向。最后，我们构建了异构图基准以促进对这个快速发展的主题的开放研究。

许多学习任务需要处理包含丰富元素之间关系信息的图形数据。物理系统建模、学习分子指纹、预测蛋白质界面和疾病分类需要一个模型来从图形输入中学习。在其他领域，例如从文本和图像等非结构数据中学习，对提取的结构（如句子的依赖树和图像的场景图）进行推理是一个重要的研究课题，也需要图推理模型。图神经网络 (GNN) 是神经模型，它通过图节点之间的消息传递来捕获图的依赖性。近年来，图卷积网络 (GCN)、图注意力网络 (GAT)、图循环网络 (GRN) 等 GNN 的变体在许多深度学习任务上都表现出了突破性的表现。在本次调查中，我们为 GNN 模型提出了一个通用的设计流程，并讨论了每个组件的变体，系统地对应用程序进行了分类，并为未来的研究提出了四个开放性问题。

网络表示学习,ppi-class_map.json,ppi-feats.npy,ppi-G.json,ppi-walks,txt,ppi-id_map.json

本资源包含了几篇关于社团发现的英文文献，从网络/节点表示学习、图聚类、图神经网络等方向来解决的。 特色：1、本资源是对以下几篇论文的精准翻译，且经过严谨排版，公式手动完美复现，保证阅读流畅无障碍。2、对与不喜欢看英文文献或想节约时间的小伙伴强烈推荐！！！ 1、Deep Attributed Network Embedding 2、vGraph: A Generative Model for Joint Community Detection and Node Representation Learning 3、A Unified Framework for Community Detection and Network Representation Learning 4、Attributed Graph Clustering: A Deep Attentional Embedding Approach

近年来，图上的无监督网络表示学习(unsupervised network representation learning，简称UNRL)方法取得了显著进展，包括灵活的随机游走方法、新的优化目标和深度架构。然而，没有一个共同基准来系统地比较嵌入方法来理解它们对于不同的图和任务的性能。我们认为，大多数的UNRL方法不是建模和利用节点的邻域，就是我们所说的节点上下文信息。这些方法在定义和对上下文的利用上有很大的不同。

清华大学、刘知远教授的博士生的博士涂存超 的 论文和答辩PPT。面向社会计算的网络表示学习，学习如何表示用户信息与item信息，以便更好地匹配。