Code：超图表征学习综述，大量软件库

主要观点总结

超图表示学习是一个研究如何将超图结构嵌入到低维空间中的领域，它旨在保留超图的结构和关系属性。本文综述了超图表示学习的最新进展，并讨论了现有文献中的方法，包括谱方法、保持邻近性的方法和神经网络方法。本文还介绍了超图表示学习的应用，如分类、聚类、推荐、链接预测、网络重构等，并探讨了该领域的未来方向，如动态超图嵌入、可解释性、可扩展性和复现性。

关键观点总结

关键观点1: 超图表示学习综述

本文概述了超图表示学习的概念、挑战、分类法以及现有文献中的方法。

关键观点2: 超图表示学习方法分类

超图表示学习方法被分为谱方法、保持邻近性的方法和神经网络方法，每种方法都有其特点。

关键观点3: 超图表示学习的应用

超图表示学习在分类、聚类、推荐、链接预测、网络重构等任务中有广泛应用。

关键观点4: 未来方向

讨论了超图表示学习的未来研究方向，包括动态超图嵌入、可解释性、可扩展性和复现性。

关键观点5: 现有研究的限制

指出了当前超图表示学习研究中缺乏标准工具和基准数据的问题。

文章预览

A Survey on Hypergraph Representation Learning 超图表征学习综述 https://dl.acm.org/doi/10.1145/3605776 摘要 超图近年来因其在自然建模方面具有灵活性而越来越受到关注，它们能够很好地表示相互作用部分之间存在的高阶关系的各种系统。本调查回顾了新出现的 超图表示学习问题 ，其目标是学习一个函数， 将输入超网络中的对象——最常见的是节点——投影到一个潜在空间中，以便编码并保留网络的结构和关系属性 。我们提供了现有文献的全面概述，并提出了一种新的超图嵌入方法的 分类法，通过识别三个主要技术家族：谱方法、保持邻近性的和（深度 ）神经网络。对于每个家族，我们描述了它们的特点，并在我们单一但灵活的框架中提供了我们的见解，然后讨论了各个方法的特殊性以及它们的优缺点。然后，我们回顾了通常使用超图嵌入的 主要任务、数据 ………………………………