超边的嵌入方法 (HEBE)
2016年，Huan等人提出了HEBE模型,将事件与参与对象之间的关系构建成异构超图进行表征学习。
超图学习研究背景
在过去的几十年间，超图理论已被证明能够有效解决众多真实世界问题。超图强大的表达能力使其能够很好地对各类网络、数据结构、进程调度以及一些对象关系复杂的系统进行高效建模。随着近年来图结构数据数据量的爆炸式增长以及神经网络模型的快速衍变，对于异构、高阶、非均匀超图的挖掘学习成为了新的研究热点。
![]()
![]()
DHNE 模型
2018年，Ke等人提出了DHNE模型,这一模型保证了超图结构完整性，证明了常用嵌入空间的线性相似性度量无法维持超图网络中的不可分解性。
![]()
HyperGCN模型
受图卷积神经网络启发，Naganand等人提出了HyperGCN模型，该模型不仅能够挖掘超图的高阶交互关系，而且还引入了超图节点的特征属性。
超图学习方法
01 谱分析超图学习方法
以超图拉普拉斯矩阵为核心的一类矩阵分析方法，通常具有满足严密数理推导的目标函数最优解求解过程。
02 神经网络超图学习方法
以人工神经网络及其衍生结构为模型主体结构的超图学习方法，学习能力强、结构设计灵活且泛化性高，很好地弥补了谱分析类方法的缺陷。
03 其他方法
通常在特定应用场景下结合场景特点定义模型目标，并通过相应的优化方法求解。
星式展开 和 团式展开
超边卷积层的构建
版权所有 © 超图介绍展示
技术支持：竹子建站