分享主题

基于网络化数据表示学习的重叠社区发现研究

分享背景

网络是大数据的重要组织形式，然而网络化的数据由于缺少高效可用的节点表示，而难于直接应用。网络化数据表示学习通过将高维稀疏难于应用的数据转化为低维紧凑易于应用的表达而受到广泛关注。网络化数据表示学习的一个重要任务就是重叠社区发现。由于社区结构本身是网络中观粒度上的重要结构特征，向下可以支持微观粒度的连边预测和重要节点识别，向上可以支持宏观粒度的信息传播和网络生成而受到广泛关注。因此，本次公开课孙冰杰博士将针对基于网络化数据表示学习的重叠社区发现介绍他们组最近的相关工作。

分享大纲

• 基于网络化数据表示学习的重叠社区发现，面临节点表示的普适性问题和算法的速度问题。
• 通过非负对称编解码模型学习高质量的节点表示，以同时实现节点表示的社区指示能力和多任务支持能力
• 重叠社区发现算法的加速策略研究

分享人

孙冰杰，中科院计算所博士研究生，主要研究方向为网络结构分析，网络表示学习。

分享时间

12 月 7 日（周四） 20:00