首页 > 房产资讯 >新闻内容

教育培训机构,应该怎么去挑选?

2020年09月22日 10:10

最近几年,教育培训机构行业遍地开花,在线教育平台越来越受欢迎,因为它的便利性实在是太强了,让再忙的人也有机会和时间去提升,还能利用碎片化时间去学习、去培训。

那么,作为家长,在给孩子选择教育培训机构时,应该怎么去挑选呢?

在对于教育培训机构的选择问题上,切忌盲目听从他人的说辞,具体可以从以下几个方面来选择:

1、办学历史

办学久一点的教育培训机构往往更有保障性,才开不久的教育培训机构很有可能因为经营不善而倒闭。

2、师资力量

好的老师是一家教育培训机构的灵魂,这也是家长最关注的问题,毕竟一个好的、有能力的老师,可以让学生学有所得。

3、学习口碑

好的教育培训机构,内部设施是完整的,可以给学生好的学习体验,好的学习氛围。

4、教学方法

有好的老师、好的学习氛围,还要有好的教学方法,这样才能让学生真正学到东西。

如果实在不知道怎么选择,建议各位到考生网上去看看,考生网是一个专门做线上线下教育培训学习报名服务的平台。考生网整合了全国各地教育资源,光是合作的知名院校机构就数不胜数。

另外,考生网特别注重学员的学习体验,在课程质量和售后服务上严抓的死死的,除此之外,还有各种学习资料和教学视频供学员免费下载学习。用一句话来说,就是只要你想学,在这个平台上没有找不到的课程,也没有学不到的知识。

关于教育培训机构的选择,今天小编就分享到这里,如果想要详细了解更多的教育培训机构有哪些,可以到考生网去查看咨询了解,网址是kaosheng.com。


相关推荐

优联互通:互联网线上转型,没你想的那么难!

互联网时代,网络打破了时间和空间的限制,造就了太多奇迹。互联网的传播形式较传统传播方式具有无可匹敌的优势:高效率的信息传播加速了信息的流通,扩大了传播的范围;高精准度的定位使信息能精准的传递到用户;移动终端的普及使互联网信息不受时空限制,随时随地保持信息输出,互联网平台可以实时便捷的为用户展现丰富生动的内容,并紧密与用户的互动联系。这也使得许多传统企业跃跃欲试,想进军互联网开疆拓土、一展宏图。大家新奇的想法需要实现,迫切的需求亟待满足,我们作为专业的互联网平台技术开发公司,每天接触大量客户,从过往经验中整理了客户的九大误区:误区一、互联网这么难,我没必要进入互联网行业互联网是绝对的趋势,许多产业为谋发展都展开了互联网攻势。没有互联网的助力,许多产业都会在互联网时代的竞争中落伍直至淹没,没有自己独立的官网也很难在同行中异军突起,独树一帜。连轻微如柳絮都知道“好风凭借力,送我上青云”,想要在这个风起云涌的时代中立足,就要凭借互联网这一阵“风”。误区二、互联网是万能的诚然,互联网具有强大的功能,范围之广,功能之多,吸引了许多人,但是它也并非万能的。如若不然,现在人人都会使用网络,人人都在互联网冲浪,怎么不是每一个人都成功了呢?互联网的只是个工具,它的效用取决于使用的人,当然,怎么打磨这把工具也是一门十足的功课。工欲善其事,必先利其器。只有使用得当这把工具,互联网才能为你所用。误区三、互联网只要投钱就有回报资本家无处不在,如“过江之鲫,数不胜数”。互联网是个联通未来,创造奇迹的行业,引无数资本竞折腰。然古今中外,古往今来,欲成大事者弥繁,终克成功者盖寡。资本不是万能的,互联网不是马到功成的。你所看到的BAT(百度,阿里巴巴,腾讯)这些都是行业巨头,他们的成功不可置否。那么,你知道他们成功的原因吗。百度能捱过那么多负面风波,坚守那么多年的互联网大佬地位,因为它创造了最成功的搜索引擎服务。我国互联网发展早期网站鱼龙混杂,人们无法迅捷精准的从网络上获取自己想要的信息。远在美国硅谷的李彦宏带着搜索引擎专利,毅然回国成立了百度搜索,用高新技术填补了互联网这一空白,奠定了百度的地位。阿里巴巴独特的B2B模式不仅为阿里带了丰厚的盈利,为消费者提供了便捷的服务,最重要的,是在这种模式下,构建起了与消费者无形的信任关系,从而推动了阿里更多产业的发展。腾讯的发家想必跟每一位网友都息息相关,他的社交软件QQ、微信至今都是我们在生活中赖以联通的工具,社交软件不仅满足了我们联系和交际的需求,更侵入了我们的生活,甚至,创造了一种习惯,一种情怀。巨大的用户基数成为腾讯拓展业务的底气。误区四、当今的互联网,我只要做巨头们没有做过的细分领域就能成功!在这个互联网被巨头们瓜分的差不多的格局下,人们很难在主流领域虎口夺食,于是有人想从巨头们没有做过的细分领域突破。如果您的商业模式,团队都很好,您可以进入一个不错的细分领域,这些在初期都是非常正确的。但是互联网的开发性也导致了一个不公平的劣根性,只要您从事互联网行业,就无法避免被复制的可能。您的产品会模仿,您的商业模式会被抄袭。至于“某某大平台可以快速开发产品”这种广告语对于没有资本加持的小团队来说,是不切实际的。以腾讯为例,它依托自己的社交网络,大肆地向别的行业渗透,别人一开拓什么新领域,他就紧随其后,有样学样。说它模仿也好,抄袭也罢,拥有强大资本和用户背景的它总能事半功倍,更快地占领市场,更容易获得成功。这就是普通互联网商涉入细分领域的困境。误区五、我只要做个APP和网站就能在互联网获利首先,这个想法实在没有理据依托,在这个四郊多垒,竞争残酷的互联网行业,多少公司乘兴而来败兴而归,又有多少人才自信满满却又无功而返?要想在互联网行业分一杯羹,并没有那么简单。按传统产业比喻来说,做了APP和网站等这些程序,相当于把想法付诸行动,初步建设了工厂,安装好了生产线,前期准备完成了。而对于市场来说,工厂并不重要,重要的是工厂生产出来的产品品质如何。而决定产品质量的关键,正是工厂生产线的运作水准。这条“生产线”就是互联网平台的运营手段。精致的包装最多让用户流连三秒,只有吸引客户,留存客户,能创造价值的平台才是真正的好平台。误区六、选个模板就万事大吉了首先,不可否认,对于展示型的企业网站而言,如果公司规模不大,预算不多,那么这类网站,我们建议企业选用模板,但是,稍微有点实力的企业,我们都不建议企业选模板。虽然说一千个人就有一千个哈姆雷特,但是指望互联网上的受众像读话剧一样浏览你的网站是万不可能的,脱颖而出才是关键。误区七、所有项目我亲力亲为,肯定成功亲力亲为是好,但人的精力都是有限的,人的擅长区域也是有限的。术业有专攻,专人做专事才能把效率发挥到极致。所以选好合作伙伴也是成就互联网机遇的关键。误区八、互联网没啥技术含量,遍地都是小团队,找个便宜的就好对于不动技术的传统行业,这是非常普遍的误区。首先互联网产业一定是高技术含量的。举个例子,百度创建搜索引擎的成功可不是单单基于李彦宏发现的市场空白,而是核心技术。李彦宏带回的搜索引擎专利,让中国成为继美国、俄罗斯、和韩国之后,全球仅有的4个拥有搜索引擎核心技术的国家之一。至于小团队,低成本,我们并非全盘否决它的价值,但可以肯定的是,它创造的价值一定是有限的。市场本身就具有调控性,价值决定价格。正是因为一个小团队创造的价值有限,它才报价低廉。所以不要寄期望于便宜的东西,性价比才是你应该关注的重点。误区九、我不懂互联网,就不能进入互联网不懂互联网的人就不能进入互联网行业了吗?答案是否定的。互联网的开放性,决定了合作的重要性。如果您精于传统行业的某一个产业,又找到了一个有实力的互联网产品开发企业合作,行业领先的水准加上互联网专业团队的助力,那么您就如虎添翼,可以在互联网时代下乘风破浪,再攀高峰。总而言之,君子见机,达人知命。在互联网时代下,聪明睿智,远见卓识的人都知道要拥抱互联网,但同时,也要改变固有思维,保持高度的敏锐和创新进取的精神,才能在瞬息万变的市场中立于不败之地。如果你也有进入互联网行业的想法,又想更好的在竞争中脱颖而出。选择一个优越的合作团队可以事半功倍。广东优联互通科技有限公司作为中国领先的互联网+一站式服务平台,已经成为了众多客户涉入互联网行业优先选择的合作伙伴。优联互通1.团队专业用更专业的团队打造更先进的互联网建设。公司总部位于“全球十大金融中心”的深圳核心板块区域,基于深圳强大的科技、金融实力,公司能够在瞬息万变的互联网中,更新迭代最新IT信息,拥有最前沿先进的高端核心计算机技术优势。公司拥有一支朝气蓬勃、踏实诚恳、技术实力过硬的技术研发和互联网运营团队,其队伍骨干有多年的大型软件开发和互联网运营背景。2.运营经验丰富优联互通拥有7年互联网建设经验,大型平台开发实力,是阿里云17年的合作伙伴,服务了超过1000+客户,其业务能力辐射全国,大陆总部位于深圳,在北京、上海、广州、合肥、沈阳等地设有分支机构。3.一对一专心服务公司自成立之初起,只为20%的客户提供高端定制软件开发,现已服务的企业或个人客户有1000余家,通过深挖用户使用场景与用户需求,为客户定制开发软件系统,提供数据支持。团队洞悉各行业技术配套发展需求为客户提供专业化的定制服务。4.可常年提供技术支持公司专注于整合当今云技术、大数据、物联网、移动互联等新技术,帮助客户建设互联网软件开发及运营智慧信息系统,架构IT系统网络,提供计算机信息系统集成、信息技术整体解决方案和专业技术服务。5.提供互联网运营全案整合线上线下媒体资源为客户提供全方位的品牌策略实现、网络运营指导;同时围绕新媒体的二次开发和运营推广,帮助客户完成精准立体营销,让客户的每一个策略价值最大化,为客户创造更好的收益和用户体验。在大众创新、万众创业的时代,优联互通与您共创互联网行业未来。

2020年09月28日 10:48

整租经济压力大,合租不容易找,毕业生租房何去何从?

六月盛夏,各高校的毕业季正在如火如荼的进行中,每年的毕业季租房热潮将从5月份开始持续到9月份,研究生租房则更早,从每年的3、4月份开始,今年各种租房新趋势层出不穷。趋势一:一线城市就业比率下降,二线城市人才吸引率提高近年来,除了北上广深等资深一线城市对全国应届毕业生的持久吸引力外,各新一线城市与二线城市也正在拥有越来越强大的人才吸引力,尤其是杭州、西安、南京等城市租房市场交易量增速明显高于一线城市。这背后是各项人才战略政策的实施和更加宽松的落户政策。在《2019年中国本科生就业报告》中显示,近年来本科毕业生在北京、上海、广州、深圳等一线城市的就业比例从2014届的25%下降到了2018届的21%,而在杭州、成都等“新一线”城市的就业比例从2014届的22%上升到了2018届的26%。毕业时在“北上广深”就业的毕业生中,三年内离开的比例明显上升,从2011届的18%上升到了2015届的24%。许多在北京的毕业生表示:在北京上大学,回老家可以找到相当好的工作。尤其是在老家所在省份的省会城市,既离家近,又能找到好工作。趋势二:整租经济压力大,合租不容易找多名即将在北京就业的毕业生表示:和租金较低但位置偏远的房源相比,他们更愿意选择价高但交通便利的租房,缩短工作日的通勤时间。但交通便利的房源中,一居室的整租价格超出大多数人心理预期,三居室及以上则意味着需要与多人合租,因此对大部分毕业生来说,最佳选择是“和同学或者朋友合租一套价格适中的两居室”。趋势三:直租少,房源多被中介掌握“吃差价”针对线上线下多种租房途径,面对中介介绍和房东直租,应届毕业生各有不同的选择与考虑。有毕业生认为:中介可以帮双方筛选出合适的对象匹配,对双方都更有保障。房东直租很难保证双方是不是处于同一或者接近的消费水平,虽然直租相对便宜,但在资金安全上缺少保障。同时是房屋的装修和设计也是影响毕业生租房的一个关键因素。很多毕业生看过一些经中介平台重新装修的房源后,再看房东直租或者未经装修的普通房源,表示心理落差太大了。此外,直租房源有限,更多房东选择将闲置房源交给中介打理,为了谋求方便与省心,部分房东表示:对中介重新装修房屋也不反对。导致现在租赁房源大部分被二房东和中介掌握,租赁市场形成了“吃差价”的现象,部分租金出现虚高。就目前租赁市场上出现的直租少、中介多、房租虚高等问题,租客网平台积极鼓励个人房东直接发布房源,从而减少中间环节,对于调控房租具有积极意义,通过平台建立的用户信用体系和平台人员对房源的实地登记核实,保证房源信息的真实性。同时租客网也再次提醒广大毕业生不要轻信明显低于市场价的房源,毕业生可在租客网输入租房目标地段、房型、租金区间等条件后进行筛选,也可参照平台在网上的报价进行租房。

2020年06月04日 11:36

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