Deep attributed network representation learning via attribute enhanced neighborhood

这篇论文解决什么问题？

这篇论文面向 network representation learning，讨论如何用机器学习或表征学习补足传统网络模型在预测、分类或推理上的限制。其核心问题是把网络结构、属性、时序或高阶关系转化为可学习的表示。

方法与技术路线

方法上侧重把网络拓扑、节点属性、时序关系或高阶结构编码成模型可学习的表示，再用于阈值预测、动态预测、分类、推荐或影响力估计。

主要贡献

从题名和公开索引信息看，论文的贡献在于把“network representation learning”变成一个可被计算、比较或预测的网络科学问题。它为李聪教授关于复杂网络结构、传播动力学、网络控制和 AI+网络的研究谱系补上了一个具体切面。

阅读提示

阅读这篇论文时，可以把题名、作者、年份、期刊/会议和主题词放在一起理解：它属于李聪（Cong Li）在复旦大学未来信息创新学院围绕复杂网络、网络科学与AI 与网络科学形成的研究脉络。本页先给出公开书目信息，再用中文梳理研究问题、方法路线和主要贡献，便于读者快速判断它与相关研究方向的关系。

论文定位

Deep attributed network representation learning via attribute enhanced neighborhood 是李聪（Cong Li）在 AI 与网络科学 方向的代表性论文之一，公开索引信息显示其发表于 Neurocomputing 508, 170-181, 2022。从研究主题看，该工作与复旦大学未来信息创新学院复杂网络、网络科学与 AI+网络研究谱系中的相关问题相互呼应。