首页 > 企业资讯 >新闻内容

优联互通:霸屏百度首页,你还差一个优秀的快排系统

2021年06月21日 10:29

快排 ,顾名思义,就是快速排名。E推快排系统是广东优联互通科技有限公司旗下的关键词快排系统,专注于搜素引擎快速排名,能够根据搜索引擎的算法变化进行关键词快排,帮助合作客户实现关键词自动霸屏百度首页,让客户以最少的成本达到真正的营销推广效果。


传统的百度SEO优化方法排名效果不稳定,关键词排名数量较少,优化时间较长。利用快排系统优化效果明显,可以提高排名效率,降低推广成本。

E推快排系统具有精准、快速、稳定排名的特点。不限关键词,排名可直达指定官网,上线速度快,上词量大,转化率高,效果清晰,覆盖范围广。通过E推快排系统可以让关键词在百度、搜狗、360等主流搜索引擎上实现短时间内快速排名,霸屏百度首页。


优联互通技术团队从事互联网行业十几年,深知各行各业市场需求及用户的痛点,致力于为企业客户提供品牌传播解决方案、网络推广解决方案,目前开展的业务有新闻软文推广、搜索引擎营销等等,可以全方位满足企业推广需求,未来将会继续不断帮助企业做好互联网品牌推广服务。


相关推荐

女性房东比男性更容易被信任,房东的年龄越大,也越容易被信赖!

在这个看脸的时代人人都是“微颜控”不光找对象会看脸追剧、追星看颜值在法治新闻看颜值连旅游也看颜值~你以为这就是极限啦?No,no,no连找房子也是!根据希伯来大学的研究表明,租客选择出租屋时,除了位置、价格、大小,房东外貌的某些特征会影响租客的判断,这就是视觉可信度。你不相信?没关系来做几组选择题测试一下当你是一位女租客,以下三个房东,你更愿意租谁的房子?A、凶神恶煞的人;B、和蔼的5旬妇人;C、和蔼的5旬大爷;D、帅气的年轻男性当你是一位男租客,以下三个房东,你更愿意租谁的房子?A、凶神恶煞的人;B、和蔼的5旬妇人;C、和蔼的5旬大爷;D、美丽的年轻女性你在选择时是否会下意识回避A选项?或者更倾向于B、C选项呢?事实证明,一个外貌有吸引力的房东,被认为更值得信赖。其次,女性房东比男性更容易被信任,同时房东的年龄越大,也越容易被信赖。因为可靠的房东可以为租客省去许多麻烦,所以有时就是这样的第一印象,让租客决定了是否租房。租房不看脸,看颜值归根结底,产生这样“以貌取人”的想法,都是为了提高租房质量,有一个舒适的生活条件。不过租房之路本就蜿蜒曲折,何必为自己添加更多的衡量标杆!看房东长相,不如只看出租屋颜值!租客网优质房源1小小的客厅,大大的窗户,明亮动人的温馨小窝,在硬装的基础上,采用小清新的北欧风格。以简洁的客厅布局,造就了开放式生活空间,巧妙利用高档质感的软装,对空间进行点缀,营造优雅端庄的轻奢格调。既满足日常生活所需,又不乏品味与仪式感。租客网优质房源2宽敞的开放式空间,囊括厨房、客厅、卧室、工作间,多种家具的糅合碰撞,制造了化繁为简的时尚现代感。家具采用自然质朴的原木配色,以细腻的设计风格、色彩,打造治愈轻快的生活空间,演绎独特的语言和力量。租房何必看房东“脸色”,快来租客网解放自我,让租房更加快捷方便。租客网平台通过合约束缚,认真核实房源信息,没有坑人的二房东、黑心中介,房源成交秒下架,不收取租客任何费用,而且部分房源免押金哦~也无需操心安全问题,租客网24小时安全系统,一键报警,解决租客难题,同时满足租客兼职、优惠购物等各项需求。只需选择喜欢的出租房,就能轻松乐享

2021年03月11日 10:37

全通教育回复深交所问询函 业绩下滑问题会向好

5月25日,资本邦获悉,全通教育(300359.SZ)回复了此前5月15日深交所下发的年报问询函。具体回复如下:一、深交所要求公司说明营业下滑的原因以及具体业务,第一大客户的销售收入占比较高的原因以及其他一些基本情况。全通教育(300359.SZ)教育回复称:1、家校互动升级业务:在传统业务发展受阻的情形下,公司积极寻求基础业务的转型方式,在转型升级调整阶段的业务用户数存在一定的波动,家校互动升级业务2019年收费用户数约596万,较去年呈下降趋势。但公司始终保持与基础运营商、教育平台以及学校稳定、良好的合作关系。2、教育信息化项目建设及运营业务:报告期内,公司与部分客户的合同执行期由12个月变更为24个月,同时受运营商内部系统升级、项目质量及流程要求趋严的影响,部分教育信息化项目无法履行正常工程验收与订单确认工作,导致该类业务收入下降较为明显,报告期内教育信息化项目建设及运营类收入同比下降21.77%。2019年底运营商系统升级已完成,合同签订与订单确认工作恢复,预计该业务将保持稳定发展趋势。3、公司2019年第一大客户为中国移动通信集团有限公司,销售的主要经济内容为家校互动升级业务,家校互动升级业务中有91.08%的收入来自中国移动通信集团有限公司。2019年底第一大客户的应收账款为6,221.00万元,其中1年内的5,685.09万元,1-2年的378,42万元,2-3年的157.04万元,3年以上的0.45万元,该客户大部分应收款项账期在一年以内,一般能在信用期内回款,极少出现逾期未回款的情形。二、报告期内公司实现归属于上市公司股东的净利润-7.05亿元,主要由于计提了5.88亿元的商誉减值,针对这一问题,公司回复称:1、继教网在业绩承诺期满后业绩出现连续下滑,主要系市场环境因素导致培训模式发生转变,从而导致公司业务结构发生变化,盈利能力持续下降符合当年的客观经营状况。2、上海闻曦2018年净利润下滑4.49%,主要是当年收入下降毛利减少、收到的政府补助款项减少所致,公司判断未来盈利成长性或不及收购预期;公司于当年末进行商誉减值测试,根据测试结果,公司2018年、2019年分别计提商誉减值2,820.83万元、9,464.16万元。前述两次商誉减值结果,分别基于不同的减值迹象,符合当时的实际经营状况以及市场经济环境,上海闻曦商誉减值计提具备合理性。三、报告期内公司对应收长沙湘计华湘计算机有限公司的款项2,445.21万元计提了100%的坏账准备。深交所要求公司说明相关销售收入确认时间、应收账款账龄、合同约定的回款条件及逾期原因、全额计提坏账准备的原因及合理性、应收账款形成情况。公司回复称:公司与长沙湘计华湘计算机有限公司签订湘阴县信息化建设服务项目合同。按照合同,公司已提供完成相关服务内容并且取得对方出具的任务确认单。但公司未正常收回款项,因此2017年度将其由应收票据转入应收账款核算。2017年末,公司经审慎考虑,预计对其应收款项存在无法全额收回的风险,于当年末对其进行单项认定后按照50%的比例计提坏账损失。2018年度收回150,000.00元。剩余欠款多次沟通无果,公司采取法律措施,向湖南省长沙市中级人民法院提起民事诉讼。一审判决,认为双方提供的证据均不充分,驳回双方全部诉讼请求。2019年报根据上述事实,基于谨慎考虑,公司对长沙湘计华湘计算机有限公司款项全额计提坏账准备。据悉,公司正在准备材料继续上诉。四、公司持有智园控股有限公司(以下简称“智园控股”)24.24%股权,该长期股权投资期初账面余额为4,728.67万元,公司对其计提减值准备3,424.14万元,深交所要求说明上述长期股权投资出现减值迹象的时点及判断依据、具体减值测试过程等。公司回复称:公司2019年实现净利润468.01万元,虽相比上年同期增长5.51%,但收入增长幅度连续两年明显放缓,公司软件系统产品的推广和渗透乏力,加上人工等运营成本增加,导致盈利能力有所停滞,公司业绩和成长性持续不达收购时预期,2019年末管理层结合外部经营环境及内部经营方针,拟计划提前处置该公司并收回部分投资本金,经公司管理层审慎判断,智园控股于当年末出现减值迹象。经核查,公司认为,公司2019年末对智园控股计提的长期股权投资减值具备合理性。五、报告期内公司实现营业收入7.18亿元,同比下降14.53%;发生管理费用1.33亿元,同比增长25.31%,深交所要求公司说明营业收入下滑情形下管理费用增长较多的原因及合理性,公司回复称:管理费用2019年度相比2018年度增加2,684.88万元,增长幅度为25.31%,主要增加项目为人工费用、咨询等中介费用、租赁及水电费、差旅费、业务招待费、折旧及摊销。六、深交所要求公司结合货币资金用途、营运资金需求、经营及投资活动现金流量情况等,说明资产负债率逐年攀升的原因,公司货币资金是否存在使用受限情形。公司回复称:1、公司2017-2019年的货币资金余额无重大变动,主要是一部分用于保证日常营运开支,一部分用于归还到期的银行借款和利息,降低财务杠杆风险。2、公司2017-2019年的营运资金情况如下表所示:公司2018年末与2017年末相比,营业资金无重大变动,2019年末与2018年末相比,营运资金减少15,813.46万元,流动资产减少15,454.53万元,流动资产减少主要受应收账款减少18,776.35万元的影响,减少的应收账款用于日常营运开支。3、公司2017-2019年经营及投资活动现金流量情况如下表所示:公司2018年的经营活动产生的现金流量净额增加,主要是购买商品、接受劳务支付的现金减少13,351.40万元。公司2019年经营活动产生的现金流量净额减少,主要是公司支付保函保证金1,784.79万元,以及中介费用、租赁费费等同比增加2,458.55万元。公司2018年剔除购买和赎回理财产品的投资活动产生的现金流量净额比2017年增加10,892.01万元,主要是2018年取得子公司及其他营业单位支付的现金减少所致。公司2019年剔除购买和赎回理财产品的投资活动产生的现金流量净额比2018年增加4,178.20万元,主要是2019年处置子公司及其他营业单位收到的现金净额增加以及购建固定资产、无形资产和其他长期资产支付的现金支付的现金减少所致。公司的短期借款、一年内到期的非流动性负债、长期借款均为银行借款,2017年-2019年底的银行借款余额分别为31,704.00万元、33,116.00万元、30,451.00万元,公司的短期借款主要用于日常运营支出,长期借款中部分为并购贷款,用于支付子公司的股权款,部分用于采购教育信息化设备。公司2017年-2019年的资产负债率水平逐年攀升,一方面是受商誉减值导致2017年-2019年资产总额大幅减少的影响;另一方面公司的负债水平没大幅减少,主要是为了发挥财务杠杆作用,提高资金的使用效率。公司总体财务风险可控,不存在无法偿还债务风险。(2)经会计师事务所审计和管理层自查,公司存在以下货币资金使用受限情形:

2020年05月25日 14:05

Philip S. Yu 团队最新综述!社区发现的深度学习方法:进展、挑战、机遇

本篇文章10140字,读完约26分钟雷锋网AI科技评论按:社区发现(CommunityDetection)是网络科学领域中一个经久不衰的重要问题。随着深度学习的发展,研究者们逐渐从传统的统计推断和谱聚类等方法中解放了出来。那么,深度学习时代的社区发现工作有哪些特点,研究者们遇到了哪些挑战,有哪些前景光明的研究方向呢?近日,IJCAI2020上发表的一篇Survey文章,完整阐释了这一研究方向的方法、挑战和机遇。论文来自数据挖掘领域大牛PhilipS.Yu团队。论文标题:DeepLearningforCommunityDetection:Progress,ChallengesandOpportunities社区发现(CommunityDetection)是网络科学领域中一个经久不衰的重要问题。随着深度学习的发展,研究者们逐渐从传统的统计推断和谱聚类方法中解放了出来。那么,深度学习时代的社区发现工作有哪些特点,研究者们遇到了哪些挑战,有哪些前景光明的研究方向呢?网络中的社区指的是一组由节点以及与其相连的边紧密地形成的实体。社区发现旨在遵循「社区中的节点紧密相连,不同社区间的节点稀疏相连」的规则对实体集合进行聚类。包括谱聚类、统计推断在内的传统社区发现方法在处理高维图数据时存在计算速度的问题。因此,近年来,深度学习方法被广泛地应用。在本文中,作者特别调研了社区发现的深度学习方法这一研究领域中的最新进展,并根据用到的深度神经网络、深度图嵌入、图神经网络对这些方法进行分类。由于目前深度学习的能力仍然不能满足处理复杂网络结构的需求,本文作者指出了当前该领域面临的挑战和研究机遇。一、社区发现网络是有两种基本的实体(即节点和边)形成的。根据图理论,「社区」是一种内部节点紧密相连的子图,它遵循以下特定的规则:(1)社区内的节点紧密相连;(2)不同社区中的节点稀疏相连。人们也将社区看做一种聚类簇,其中相同社区内的节点可以共享共用的特性和/或扮演类似的角色。这里根据Radicchi等人基于网络统计分析给出的定义展开讨论。根据节点在社区内部和外部的度,我们可以将社区分为两类:强社区和弱社区。节点的「内部度」代表将该节点与同一个社区中其它节点连接起来的边数,节点的「外部度」则代表将该节点与属于其它社区的节点连接起来的边数。一个弱社区是其中的节点的内部度之和大于外部度之和的子图。一个强社区是其中每个节点的内部度都大于外部度的子图。针对社区的网络结构,本文采用了强社区的定义。社区发现可以帮助我们理解网络内在的模式和功能。在现实世界的应用中,社区将复杂系统中的信息聚集了起来。举例而言,Chen、Yuan等人发现在「蛋白质-蛋白质」交互(PPI)网络中,被聚合到社区中的蛋白质具有相似的生物学功能;Chen、Redner等人,在论文引用网络中,通过社区发现技术确定通过论文引用连接起来的课题的重要性、相互关联以及演变情况;Zhang等人,在企业网络中,通过研究离线的公司内部数据源以及在线的企业社交关系将雇员分组到不同的社区中;Yang等人指出,在线社交网络中(例如Twitter和Facebook)拥有共同的兴趣或朋友的用户可能来自同一个社区(如图1所示)。图1:社交网络中的社区发现示例。根据个体之间的紧密度,网络被划分为两个社区,即包含三个节点的社区C_1和包含四个节点的社区C_2。传统的社区发现方法大部分都是基于统计推断和机器学习发展出来的。例如,在统计学领域非常具有代表性的社区发现方法「随机分块模型」(SBM)被广泛用于描述社区是如何形成的。然而,在处理当下的复杂数据及和社交场景时,这些传统的方法面临着许多问题。此外,在机器学习领域,发现社区的工作往往被看做一个图上的聚类问题。Ng等人用特征向量(例如邻接矩阵和Laplacian矩阵)实现了将节点划分到社区中的谱聚类方法,然而这种方法在稀疏网络上的性能较差。同时,对于预设的社区数目的要求也特别限制了依赖统计推断的模型的研发。在网络分析领域中,传统的方法并没有考虑到节点的属性,而这些属性描述了特征的丰富信息。此外,由于过高的计算复杂度,动态方法也很难被应用于大规模网络。总而言之,处理由图及其属性、大规模网络和动态环境形成的高维数据需要更强大的技术,从而同时兼顾高性能和计算速度。深度学习使计算模型可以学习到具有多层次抽象的数据表征。许多计算模型和算法都需要对以网络结构形式存在的数据进行表征学习。深度学习技术在学习非线性特征时具有很大的优势。这一点在诸如计算机视觉、自然语言处理等领域中都取得了广泛的成功,在这些领域中数据有着内在的关系。在网络分析领域,深度学习可以有效地通过多层深度神经网络降低数据维度,从而完成社区发现、节点分类、链接预测等任务。这里重点研究深度学习在社区发现任务中的应用的新研究趋势,PhilipS.Yu等人的这篇综述贡献有:(1)分析了将深度学习方法用于社区发现的优势;(2)从技术的视角,总结了目前最先进的研究,并对其进行分类;(3)讨论了仍然存在的挑战,并指出了具有前景的未来工作的机遇。据AI科技评论所知,这篇综述也是首次全面回顾深度学习在社区发现中的应用,对研究人员和技术专家理解深度学习和社交网络领域的发展趋势有着巨大帮助。图2:社区发现之深度学习:进步、挑战和机遇。二、何为社区发现?简单来说,社区发现,即从网络G中发现社区C。这里提到的网络是一种特殊的图,它对现实世界中的系统(例如,互联网、学术合作网络以及社交群组)中的复杂关系进行了抽象。在这里,网络的概念主要强调的是其拓扑结构。定义1(网络G)基于图理论,有权网络可以被表征为G=(V,E,W),而无权网络可以被表征为G=(V,E),其中V和E分别代表节点的集合和边的集合,W代表E相应的权值。每条边通过权值描述连接强度或者容量。我们可以将无权图的W视为1,将其从图G中去除。子图g⊆G是对于图的一种划分,它保持了原始的网络结构。子图的划分遵循预先定义好的规则。根据不同的规则可能得到不同形式的子图。社区是一种表征真实社交现象的子图;也就是说,在群组中存在一组具有紧密关系的对象。这里遵循由Radicchi定义的强社区的概念。定义2(社区C)社区是一组网络中相互联系的子图。社区中的节点具有密集的连接,而不同社区之间的节点具有稀疏的连接。根据一种将节点聚类到不同群组中的网络划分方法给出一个社区C_i,我们得到C={C_1,C_2,...,C_k},其中k代表可以从原始网络中被划分出的社区数。被聚合到社区C_i中的节点v满足:v到社区内每个节点的内部度大于其外部度。三、为什么要使用深度学习进行社区发现?与其他机器学习方法相比,深度学习的明显优势是它能够将高维数据编码到一个新的特征表征中。通过使用以图结构的形式组织的数据表征节点之间的联系,许多深度学习方法都可以学习到节点、邻域以及子图的模式。在多数现实场景中,数据缺乏节点标签信息和关于社区的先验信息,而深度学习在无监督学习的任务中体现出了优势。除了简单地利用网络拓扑来发现社区之外,一些方法还将语义描述作为数据中的节点属性加以研究。在传统社区发现方法中,这类方法主要基于邻接矩阵和节点属性矩阵。然而,深度学习可以构建更有效的节点属性和社区结构表征。因此,深度学习填平了传统社区发现方法中存在的关键短板。为了实现这一目标,近年来的工作指出了一些具有前景的研究方向:将深度学习模型应用于社区发现,以及基于社区的特性修改深度学习模型。将深度学习应用于社区发现的前景可以被表述为:(1)通过深度学习模型提升传统社区发现方法的性能;(2)从对于深度学习至关重要的特征维度上引入更多的信息;(3)从网络实体的拓扑和属性入手,同时提升模型的学习性能和鲁棒性;(4)现在可以更好地从复杂的相关结构中对大规模网络进行检测。四、基于深度学习的社区发现为了对近年来将深度学习用于社区发现的研究进展进行概述,Philip等人从技术的角度总结了现有的方法。具体而言,他们首先对具有影响力的社区发现深度学习方法进行了分类。在每一类中,他们概述了框架、模型以及算法的技术贡献。为了研究近年来被应用于社区发现的深度学习方法,图2描述了相关深度学习方法的详细分类情况,并相应地附上了总结出来的挑战。本章将从基于深度神经网络、基于深度图嵌入、以及基于图神经网络的社区发现方法三个方面展开叙述。4.1基于深度神经网络的社区发现深度神经网络在对复杂的关系进行建模和发现的任务中具有天然的优势。考虑到现有的深度神经网络模型在社区发现领域的流形程度,作者选取了基于卷积神经网络(CNN)、基于自编码器、基于生成对抗网络(GAN)的社区发现方法进行调研。基于CNN的社区发现CNN的关键组件包含卷积操作和对卷积层结果的最大池化操作。卷积操作利用卷积核降低计算开销。随后,最大池化操作被用于特征提取,这保证了CNN的鲁棒性。得益于CNN的发展,Xin等人设计了一种用于社区发现的新型CNN,并提出了一种用于拓扑结构不完整的网络的有监督算法。由于社区发现被广泛看做一种无监督聚类任务,科研人员对基于无监督CNN的社区发现进行了研究。人们研发出了在CNN框架下的系数矩阵卷积,从而专门进行对高度稀疏的邻接矩阵的表征。基于自编码器的社区发现栈式自编码器是一种深度学习模型,它在社区发现任务中表现出了强大的性能,可以表征网络矩阵的非线性特征。研究者们发现自编码器和谱聚类在谱矩阵的低维近似方面有相似的框架,并受此启发将自编码器引入了社区发现领域。此后,Cao等人提出了一种将网络拓扑和节点属性相结合的栈式自编码器,它提升了深度神经网络隐层的泛化能力。为了进一步解决网络拓扑和节点属性之间的匹配问题,Cao等人通过引入一个控制这种匹配的折中的自适应参数,研发了一种带有图正则化的自编码器方法。着眼于网络拓扑,Xie等人提出在深度自编码器中对邻接矩阵进行变换,从而有效地学到节点相似度。同时,Bhatia和Rani提出的自编码器通过对随机游走序列建模学习节点的结构,他们通过优化社区结构的模块度对这种序列进行调优。为了避免预设社团的数量,Bhatia和Rani提出了一种层级栈式自编码器,他们找出种子节点,基于网络结构有效地将其它节点加入到社区中。此后,该领域的研究旨在自适应地学习而不是预定义社区结构。Choong等人提出的方法大大地提升了训练损失验证阶段的计算效率。这种自动选择机制保证了模型基于社区标准分配节点。Xu等人将包含具有正负号连接的网络成为有符号网络(signednetwork)。为了处理边上的有符号信息,Shen和Chung提出了一种半监督的栈式自编码器,它可以重构邻接矩阵,为进一步的深度学习网络嵌入的学习表征有符号网络。基于生成对抗网络(GAN)的社区发现GAN包含两种相互竞争的深度神经网络,因此它可以迅速调整训练精度。典型的GAN是以无监督方式运行的,它们生成与训练集中的数据具有相同统计特征的新数据。对于网络数据来说,GAN模型适用于无标签的数据集和序列化的网络划分。Yang和Leskovec等人基于对抗性机制,提出了社区隶属关系图模型(AGM)。AGM基于「节点-社区」成员隶属关系(nodemembership)的思想对重叠的社区中的节点进行编码。每个社区都有一个单一的概率,使得社区结构可以在GAN中进行。Jia等人通过将这种模型与GAN相结合研发了一种新型的框架,它根据具有中间项(即隶属图中的「节点-社区」成员隶属关系)进行社区发现。4.2基于深度图嵌入的社区发现深度图嵌入是一种将网络中的节点映射到一个低维向量空间中的技术。它将尽可能多的结构信息保存到表征中。通过图嵌入,基于网络分析的机器学习任务(例如链接预测、节点分类和节点聚类)可以利用表征的潜在特征,这样节省了主要由网络搜索引起的计算开销。对于社区发现任务来说,基于节点表征的图嵌入的输出支持聚类的任务(例如通过k-means聚类)。基于深度非负矩阵分解的社区发现非负矩阵分解(NMF)是一类将矩阵分解为两个矩阵的算法,它具有如下性质:三个矩阵都没有负的特征值。NMF自动地对输入数据的列进行聚类,通过训练阶段的误差函数,使原始矩阵和两个分解出的矩阵之间的近似误差最小。Ye等人提出了一种用于社区发现的深度NMF模型,其中深度学习架构可以促进NMF学习原始网络结构和社区结构之间的层次化映射。在某些情况下,社区发现的工作需要与对带有属性的内容的语义理解同时进行。为此,研究人员以一种带属性的图的形式表征网络,这种图同时包含了网络结构和节点的属性。Li等人特别针对带属性图的社区发现任务提出了一种嵌入方法,它将带有属性的社区发现看做一个NMF优化问题。为了使算法收敛,他们设计了一套可计算的迭代更新规则。基于深度稀疏滤波的社区发现邻接矩阵反映出了网络的稀疏性。嵌入对输入的成对关系进行编码,从而避免在稀疏矩阵上进行搜索。稀疏滤波(SF)是一种有效的深度特征学习算法,它只用到了一个超参数,但可以处理高维输入。SF的关键模块是针对L2正则化后的特征的稀疏性设计的简单代价函数。对于网络(尤其是在大型网络中)的社区发现,Xie等人基于深度稀疏滤波提出了一种高效的网络表征方法。他们通过一种无监督的深度学习算法划分网络,从而提取网络特征。基于社区嵌入的社区发现传统意义上,图嵌入重点关注单个的节点。Cavallari等人研究了另一种重要的、但是鲜有人探索过的图嵌入情况,他们重点关注对社区的嵌入。他们认为这种新的重要策略有益于社区发现任务。具体而言,社区嵌入的目标是在低维空间中学习一种社区的节点分布。我们可以通过过渡性(transitional)的图嵌入方法使用这种新的节点分布,从而很好地保留网络结构,这反过来可以提升社区发现的性能。此外,Tu等人提出了一种新的图嵌入模型,它同时探测每个节点的社区分布,并且学习节点和社区的嵌入。网络中的社区实际上反映了同一个社区中相似的观点、行为等高阶近似信息。Zhang等人提出了一种保留社区信息的社交网络嵌入方法来学习网络表征。他们提出的这种方法在社区检测任务中体现出了性能的优越性。4.3基于图神经网络的社区发现近年来,图神经网络(GNN)的迅猛发展表明了图挖掘和深度学习技术融合的趋势。基于GNN的社区发现被用于利用图神经网络对网络上的复杂关系进行建模,并捕获这种关系。例如,Chen等人提出的有监督社区发现GNN引入了一种非回溯的运算符,来定义边的邻接性。这种方法可以提升学习性能。对于GNN来说,运算符的选择非常方便。图卷积网络(GCN)是基于CNN研发的,它继承了快速学习的能力。面对图输入数据,GCN展现出了非常好的性能。GCN带来的巨大提升在于整合了考虑网络中实体概率分布的概率模型。例如,Jin等人通过马尔科夫随机场解决了包含语义信息的带属性网络中的半监督社区发现问题。Shchur和Gunnemann将「伯努利-泊松」概率模型整合到GCN中,用于重叠社区发现问题。通过这种方法,卷积层可以识别复杂的网络模式。五、挑战和机遇近年来(尤其是近5年来),用于社区发现的深度学习技术迅速发展。由于对现实世界具有重大的影响,这一领域持续受到研究人员的关注。尽管取得了令人欣喜的成果,在将深度学习应用于社区发现的领域中,仍然有一些挑战有待被更好地解决。下面,本文将总结这些挑战和机遇。挑战1:社区数未知长久以来,由于社区数未知而引发的挑战始终没有得到很好的解决。在机器学习领域中,社区发现经常被表示为一种无监督聚类任务。总现实世界的网络中提取出的研究数据大多是没有标签的。因此,我们很难获取有关社区数的先验知识。此外,大多数现有的深度学习社区发现方法(尤其是深度图嵌入),通过评估潜在特征空间中的节点相似度获取分类节点。然而,在后续的聚类算法中,聚类的目标数量仍然需要被事先定义。机遇:对于这一挑战,一个直接的解决方案是通过分析网络拓扑确定社区的数量,并将其整合到深度学习模型中。Bhatia和Rani等人遵循这一思想,采用基于随机游走的定制化PageRank算法,通过将图重构到一种线性的形式进行社区发现,并通过模块化的优化方法来应用调优。但是这些方法并不能保证网络中的每个节点可以被分配到特定的社区中。因此,我们需要为社区发现任务涉及新的模型,从而避免在分配社区的过程中漏掉某些节点。挑战2:网络层次网络层次反映了分层的网络结构,它将位于独立的层上的多个群组连接了起来,从而形成一个更加复杂的网络。而每一层都专注于特定的功能。对于多层网络,用于社区发现的深度学习技术必须实现对于两种层次上的表征的提取。而且他们将面临多层网络固有的挑战,这包括不同的关系类型以及不同层中不同的稀疏程度。机遇:为了区分不同种类的连接,Song和Thiagarajan提出了一种具有特殊子图设计的多层DeepWalk模型,从而保存了层次化的结构。但是他们并没有同时优化可以用于所有层的公用表征以及保留了特定层网络结构的局部表征。他们的目的是利用不同层之间的依赖,而实际上这种依赖关系经常被破坏。此外,对于新的设计来说,还应该考虑与层数增加有关的可伸缩性问题。因此,在研发用于具有网络层次的社区发现的深度学习方法的问题上,我们还有很长的路要走。挑战3:网络异质性网络的异质性指的是网络中实体类型的显著差异,而各种各样的节点集合和它们之间复杂的联系形成了异质网络。因此,我们应该通过不同于同质网络的方式研究异质网络中的社区发现。在应用和研发深度学习模型和算法时,应该解决异质网络实体上的概率分布的差异。机遇:大多数之前的深度学习方法并不是基于网络异质性研发的。Change等人设计了一种非线性嵌入函数,它被用于捕获异质组件之间的交互。因此,未来在异质网络上至少存在两个方面的研究机遇:(1)异质网络表征的深度图嵌入学习模型以及相关的支撑算法;(2)采用新型训练过程的特定深度学习模型,旨在学习隐藏层中的异构图属性。挑战4:边上带符号的信息许多现实世界中的网络具有边上的符号信息(即正关系或负关系)。在有符号网络的环境下,用于社区发现的深度学习方法面临的挑战是:通过不同的符号信息表示的节点之间的联系应该以不同的方式对待。机遇:一种可能的解决方案是,通过设计一种随机游走过程引入正关系边和负关系边。Hu等人遵循这一思路,基于词嵌入技术研发了一种稀疏图嵌入模型。但是,他们的方法在一些小型的真实世界中的有符号网络中的性能要差于作为对比基线的谱方法。另一种的可能的解决方案是重建一个有符号网络的邻接矩阵表征。然而,这又面临着另外一个问题:现实世界中的绝大部分邻接连接是正关系。Shen和Chung施加了更大的惩罚,使他们的栈式自编码器模型更加关注重建稀缺的负边而不是丰富的正边。然而,在大多数情况下,我们并不能获取关于大量节点的社区分配信息。因此,在有符号网络中,社区发现的高效的无监督方法仍然有待探索。挑战5:社区嵌入社区嵌入是一个新兴的研究领域,这种方法将对社区而不是每个独立的节点进行嵌入。社区嵌入重点关注对社区进行感知的高阶近似而不是在节点邻居之间的1阶或2阶近似。未来,社区嵌入研究面临的挑战有:(1)高昂的计算开销;(2)节点和社区结构之间的关系评估;(3)应用深度学习模型时发生的其它问题,例如社区之间的分部漂移。机遇:设想有一种智能的方法通过自动选择针对节点和/或社区的表征模块来支撑社区嵌入。为此,Philip等人建议从以下研究目标入手:(1)如何将社区嵌入整合到一个深度学习模型中?(2)如何为了「计算地更快」这样的目标直接嵌入社区结构?(3)如何优化整合好的深度社区发现学习模型中的超参数?挑战6:网络的动态性网络的动态性主要包含两种情况:网络拓扑的变化,以及在固定拓扑上的属性的变化。拓扑的变化会引起社区的演化。例如,添加或删除一个节点会影响全局的网络连接,因此它也会改变社区结构。对于静态网络来说,深度网络社区发现学习模型在面对每个网络的快照时,需要重新训练,这里面包含一些重复的工作。对于静态网络中的时序属性,技术上的挑战在于对于流数据的深度特征提取,这些流数据的概率分布和属性随时都会变化,它们引入图数据作为深度学习模型输入的另一部分。机遇:针对时间和空间维度上的动态特性,人们还没有研发用于社区发现的深度学习模型。未来的研究方向包括:(1)发现并识别社区间的空间变化;(2)学习深度模式,它同时对时序特征和社区结构信息进行嵌入;(3)为社区发现任务研发一种统一的深度学习方法,它可以同时处理空间和时间特征。挑战7:大规模网络大规模网络指的是拥有数以百万计的节点和边、大规模结构化模式以及高度动态性的大型网络。因此,大规模网络有其固有的规模特性(例如,社交网络中与规模无关的特性,节点度的米率分布特性),这些特性会影响社区发现任务中的聚类系数。此外,通过分解后的有关高维邻接关系的近似度度量,研究人员将分布式计算应用于可扩展的学习,同时他们也面临着鲁棒的学习控制和协作计算的问题。不断变化的网络拓扑进一步增加了近似度估计的难度。总而言之,大规模网络中的社区发现设计上述所有提到的挑战,以及可扩展学习方面的挑战。机遇:大规模网络(例如,Facebook和Twitter)不仅提出了挑战,也催生了设计更先进的深度学习方法的机遇。为了充分利用大规模网络中的丰富信息,社区上的聚类任务更需要具有较低的计算复杂度并具有灵活性的新型无监督算法。深度学习中用到的关键数据降维方法(即矩阵低秩近似)并不适用于大规模网络,它在分布式计算场景下的计算开销也是很高昂的。因此,人们急需新型的深度学习框架、模型和算法。研发应用于大规模网络的深度学习方法需要通过精度和速度来评估,这种评估方式可能是最大的挑战。六、结语如今,我们生活在各种各样的网络中。发现这些网络的内在功能和特征有助于我们全面地理解周围的环境(尤其是在社交网络中)。社区还原了描述社会现象的复杂关系。传统的社区发现方法曾经依赖的是统计推断和机器学习(谱聚类)。然而,深度学习的发展极大地提升了社区发现方法的计算性能,用于社区发现的深度学习方法近五年来被广泛地研究。在这篇综述文章中,Philip等人全方位地回顾了模型和算法研发方面相应的技术趋势,并针对基于深度学习领域社区发现进展做了详细的阐述。最为重要的是,这篇综述还指出了将深度学习用于社区发现任务时存在的七个重大挑战,这在一定程度上将为下一代社区发现研究指明方向。雷锋网雷锋网(公众号:雷锋网)雷锋网

2020年05月22日 11:50