图嵌入算法研究进展

doi:10.3785/j.issn.1008-9497.2022.04.008

浙江大学学报（理学版）

2022, Vol. 49

Issue (4): 443-456 DOI: 10.3785/j.issn.1008-9497.2022.04.008

数学与计算机科学

图嵌入算法研究进展

刘华玲(

),张国祥,马俊

上海对外经贸大学统计与信息学院，上海 201600

Research progress of graph embedding algorithms

Hualing LIU(

),Guoxiang ZHANG,Jun MA

School of Statistics and Information，Shanghai University of International Business and Economics，Shanghai 201600，China

全文: PDF(1663 KB)

HTML( 6 )

摘要：

图嵌入算法是将高维网络信息映射至低维后用实数向量表示的一种方法，用于解决推荐系统、社区发现及节点分类等。近年来，随着科技的进步，图数据呈现海量、异构、高维、多模态等特点，机器学习等人工智能算法对高性能的图嵌入算法的需求日益增加，图嵌入已成为国内外人工智能领域的研究热点之一。对图嵌入算法的研究进展、技术原理及基础理论进行了综述，系统概述了已有的主流图嵌入算法，包括基于降维方法的图嵌入、基于矩阵分解的图嵌入、基于网络拓扑结构的图嵌入、基于神经网络的图嵌入、基于生成式对抗网络的图嵌入和基于超图网络的图嵌入，对这些算法进行了分析与比较，并给出了相应的应用场景；归纳总结了常用的测试数据集及其评价标准；最后，展望了图嵌入算法的研究趋势和方向。

关键词： 图网络; 图嵌入; 深度学习; 神经网络; 表示学习

Abstract:

As an important form of expressing the relationship among entities, graph networks have been widely used in data analysis, relational reasoning, and information services. For these applications, how to reasonably represent network characteristic information is the primary task of network analysis research. Graph embedding technology solves the problem of how to efficiently and reasonably map massive, heterogeneous, and complex high-dimensional graph data to low-dimensional vector space while still retaining the original data feature information. This paper aims to survey the algorithm and research progress of graph embedding in recent years, analyze the development status of this field, and explore the direction for subsequent research. First, it reviews the principle and basic theory of graph embedding technology, then systematically investigates the current mainstream graph embedding algorithms, including graph embedding approaches based respectively on dimensionality reduction, matrix decomposition,network topology,neural network, generative adversarial network, and hypergraph. Then we show the application scenarios of graph embedding technology and introduce the commonly used test data sets and evaluation criteria. Finally, we highlight the future research trends and directions of graph embedding, such as dynamic graph embedding, graph embedding scalability and interpretability.

Key words: graph network graph embedding deep learning neural network representation learning

收稿日期: 2021-02-25 出版日期: 2022-07-13

CLC:

TP 311

基金资助: 上海市哲学社会科学规划课题项目(2018BJB023);国家社科基金重大项目(21ZDA105)

作者简介: 刘华玲（1964—），ORCID：https：//orcid.org/0000-0002-3980-6955，女，博士，教授，主要从事知识管理与智能决策、隐私保护、互联网金融等研究，E-mail：liuhl@suibe.edu.cn.

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	刘华玲
	张国祥
	马俊

引用本文:

刘华玲,张国祥,马俊. 图嵌入算法研究进展[J]. 浙江大学学报（理学版）, 2022, 49(4): 443-456.

Hualing LIU,Guoxiang ZHANG,Jun MA. Research progress of graph embedding algorithms. Journal of Zhejiang University (Science Edition), 2022, 49(4): 443-456.

链接本文:

https://www.zjujournals.com/sci/CN/10.3785/j.issn.1008-9497.2022.04.008 或 https://www.zjujournals.com/sci/CN/Y2022/V49/I4/443

图1 图嵌入原理

表 1 嵌入模型概况

图2 Node2vec算法节点跳转原理

图 3 SDNE模型结构

图 4 NetRA模型框架

表2 图与超图的特性对比

图 5 图和超图图示［38］

表3 图嵌入算法特性分析

表4 数据集概况

1	GOYAL P， FERRARA E. Graph embedding techniques， applications， and performance： A survey［J］. Knowledge-Based Systems， 2018， 151： 78-94. DOI：10.1016/j.knosys.2018.03.022 doi: 10.1016/j.knosys.2018.03.022
2	CAI H Y， ZHENG V W， CHANG K C C. A comprehensive survey of graph embedding： Problems， techniques， and applications［J］. IEEE Transactions on Knowledge and Data Engineering， 2018， 30（9）： 1616-1637. DOI：10.1109/TKDE. 2018.2807452 doi: 10.1109/TKDE. 2018.2807452
3	祁志卫，王笳辉，岳昆，等. 图嵌入方法与应用：研究综述［J］. 电子学报， 2020， 48（4）： 808-818. DOI：10.3969/j.issn.0372-2112.2020.04.023 QI Z W， WANG J H， YUE K， et al. Methods and applications of graph embedding： A survey［J］. Acta Electronica Sinica， 2020， 48（4）： 808-818. DOI：10. 3969/j.issn.0372-2112.2020.04.023 doi: 10. 3969/j.issn.0372-2112.2020.04.023
4	CUI P， WANG X， PEI J， et al. A survey on network embedding［J］. IEEE Transactions on Knowledge and Data Engineering， 2018， 31（5）： 833-852. DOI：10.1109/TKDE.2018.2849727 doi: 10.1109/TKDE.2018.2849727
5	CHEN F X， WANG Y C， WANG B， et al. Graph representation learning： A survey［J］. APSIPA Transactions on Signal and Information Processing， 2020， 9： e15. DOI：10.1017/ATSIP.2020.13 doi: 10.1017/ATSIP.2020.13
6	OU M D， CUI P， PEI J， et al. Asymmetric transitivity preserving graph embedding［C］// Proceedings of the 22th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco： Association for Computing Machinery， 2016： 1105-1114. DOI：10. 1145/2939672.2939751 doi: 10. 1145/2939672.2939751
7	涂存超，杨成，刘知远，等. 网络表示学习综述［J］. 中国科学（信息科学）， 2017， 47（8）： 980-996. DOI：10. 1360/N112017-00145 TU C C， YANG C， LIU Z Y， et al. Network representation learning： An overview［J］. SCIENTIA SINICA Informations， 2017， 47（8）： 980-996. DOI：10.1360/N112017-00145 doi: 10.1360/N112017-00145
8	ROWEIS S T， SAUL L K. Nonlinear dimensionality reduction by locally linear embedding［J］. Science， 2000， 290（5500）： 2323-2326. DOI：10.1126/science. 290.5500.2323 doi: 10.1126/science. 290.5500.2323
9	TANG J， QU M， WANG M Z， et al. LINE： Large-scale information network embedding［C］// Proceedings of the 24th International Conference on World Wide Web. Florence： International World Wide Web Conferences Steering Committee， 2015： 1067-1077. DOI：10.1145/2736277.2741093 doi: 10.1145/2736277.2741093
10	AHMED A， SHERVASHIDZE N， NARAYANAMURTHY S， et al. Distributed large-scale natural graph factorization［C］// Proceedings of the 22th International Conference on World Wide Web. Rio de Janeiro： Association for Computing Machinery， 2013： 37-48. DOI：10.1145/2488388. 2488393 doi: 10.1145/2488388. 2488393
11	HAMILTON W， YING Z， LESKOVEC J. Inductive representation learning on large graphs［C］// Advances in Neural Information Processing Systems. Long Beach： Curran Associates Inc， 2017： 1025-1035.
12	JOLLIFFE I， CADIMA J. Principal component analysis： A review and recent developments［J］. Philosophical Transactions of the Royal Society A： Mathematical， Physical and Engineering Sciences， 2016， 374（2065）： 20150202. DOI：10.1098/rsta. 2015.0202 doi: 10.1098/rsta. 2015.0202
13	UMEYAMA S. An eigendecomposition approach to weighted graph matching problems［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1988， 10（5）： 695-703. DOI：10.1109/34.6778 doi: 10.1109/34.6778
14	YE J P， JANARDAN R， LI Q. Two-dimensional linear discriminant analysis［C］// Proceedings of the 17th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2004： 1569-1576. doi:10.1145/1015330.1015348 doi: 10.1145/1015330.1015348
15	ROBINSON S L， BENNETT R J. A typology of deviant workplace behaviors： A multidimensional scaling study［J］. Academy of Management Journal， 1995， 38（2）： 555-572. DOI：10.5465/256693 doi: 10.5465/256693
16	SAUL L K， WEINBERGER K Q， SHA F， et al. Spectral methods for dimensionality reduction［C］// Semi-Supervised Learning. Cambridge： MIT Press， 2006. DOI：10.7551/mitpress/9780262033 589.003.0016 doi: 10.7551/mitpress/9780262033 589.003.0016
17	DEMERS D， COTTRELL G. Non-linear dimensionality reduction［C］// Proceedings of the 5th International Conference on Neural Information Processing Systems. San Francisco： Morgan Kaufmann Publishers Inc， 1992： 580-587.
18	SAMKO O， MARSHALL A D， ROSIN P L. Selection of the optimal parameter value for the Isomap algorithm［J］. Pattern Recognition Letters， 2006， 27（9）： 968-979. DOI：10.1016/j.patrec. 2005.11.017 doi: 10.1016/j.patrec. 2005.11.017
19	HARANDI M T， SANDERSON C， SHIRAZI S， et al. Graph embedding discriminant analysis on Grassmannian manifolds for improved image set matching［C］// Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2011： 2705-2712. DOI：10.1109/CVPR.2011.5995564 doi: 10.1109/CVPR.2011.5995564
20	BELKIN M， NIYOGI P. Laplacian eigenmaps for dimensionality reduction and data representation［J］. Neural Computation， 2003， 15（6）： 1373-1396. DOI：10.1162/089976603321780317 doi: 10.1162/089976603321780317
21	SINGH A P， GORDON G J. Relational learning via collective matrix factorization［C］// Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： Association for Computing Machinery， 2008： 650-658. DOI： 10.1145/1401890.1401969 doi: 10.1145/1401890.1401969
22	ZHANG D K， YIN J， ZHU X Q， et al. Homophily， structure， and content augmented network representation learning［C］// 16th International Conference on Data Mining （ICDM）. Piscataway： IEEE， 2016： 609-618. DOI：10.1109/ICDM.2016.0072 doi: 10.1109/ICDM.2016.0072
23	CAO S S， LU W， XU Q K. GraRep： Learning graph representations with global structural information［C］// Proceedings of the 24th ACM International on Conference on Information and Knowledge Management. Melbourne： Association for Computing Machinery， 2015： 891-900. DOI：10.1145/2806416.2806512 doi: 10.1145/2806416.2806512
24	KATZ L. A new status index derived from sociometric analysis［J］. Psychometrika， 1953， 18（1）： 39-43. DOI：10.1007/BF02289026 doi: 10.1007/BF02289026
25	PEROZZI B， AL-RFOU R， SKIENA S. DeepWalk： Online learning of social representations［C］// Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： Association for Computing Machinery， 2014： 701-710. DOI：10.1145/2623330.2623732 doi: 10.1145/2623330.2623732
26	WANG D X， CUI P， ZHU W W. Structural deep network embedding［C］// Proceedings of the 22th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco： Association for Computing Machinery， 2016： 1225-1234. DOI：10.1145/2939672.2939753 doi: 10.1145/2939672.2939753
27	KIPF T N， WELLING M. Semi-supervised classification with graph convolutional networks［J］. arXiv preprint， arXiv：， 2016.
28	LI Q M， HAN Z C， WU X M. Deeper insights into graph convolutional networks for semi-supervised learning［J］. arXiv preprint， arXiv：1801.07606， 2018. DOI：10.48550/arXiv.1801.07606 doi: 10.48550/arXiv.1801.07606
29	GROVER A， LESKOVEC J. Node2vec： Scalable feature learning for networks［C］// Proceedings of the 22th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco： Association for Computing Machinery， 2016： 855-864. DOI：10.1145/2939672.2939754 doi: 10.1145/2939672.2939754
30	WANG H W， WANG J， WANG J L， et al. GraphGAN： Graph representation learning with generative adversarial nets［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2018， 32（1）： 2508-2515. doi:10.1609/aaai.v32i1.11872 doi: 10.1609/aaai.v32i1.11872
31	YU W C， ZHENG C， CHENG W， et al. Learning deep network representations with adversarially regularized autoencoders［C］// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. London： Association for Computing Machinery， 2018： 2663-2671. DOI：10.1145/3219819.3220000 doi: 10.1145/3219819.3220000
32	WANG J Z， HUANG P P， ZHAO H， et al. Billion-scale commodity embedding for e-commerce recommendation in Alibaba［C］// Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. London： Association for Computing Machinery， 2018： 839-848. DOI：10.1145/3219819.3219869 doi: 10.1145/3219819.3219869
33	GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［C］// Proceedings of the 27th International Conference on Neural Information Processing Systems. Montreal： MIT Press， 2014： 2672-2680.
34	GREFF K， SRIVASTAVA R K， KOUTNÍK J， et al. LSTM： A search space odyssey［J］. IEEE Transactions on Neural Networks and Learning Systems， 2016， 28（10）： 2222-2232. DOI：10.1109/ TNNLS.2016.2582924 doi: 10.1109/ TNNLS.2016.2582924
35	SUN X G， YIN H Z， LIU B， et al. Heterogeneous hypergraph embedding for graph classification［C］// Proceedings of the 14th ACM International Conference on Web Search and Data Mining. Virtual Event： Association for Computing Machinery， 2021： 725-733. DOI：10.1145/3437963.3441835 doi: 10.1145/3437963.3441835
36	ZHEN Y M， WANG J H. Community detection in general hypergraph via graph embedding［J］. Journal of the American Statistical Association， 2022： 1-10. DOI：10.1080/01621459.2021.2002157 doi: 10.1080/01621459.2021.2002157
37	TU K， CUI P， WANG X， et al. Structural deep embedding for hyper-networks［J］. arXiv preprint， arXiv：， 2017. doi:10.1609/aaai.v32i1.11266 doi: 10.1609/aaai.v32i1.11266
38	FENG Y F， YOU H X， ZHANG Z Z， et al. Hypergraph neural networks［C］// Proceedings of the 33th AAAI Conference on Artificial Intelligence. Honolulu： AAAI Press， 2019， 33（1）： 3558-3565. DOI：10.1609/aaai.v33i01.33013558 doi: 10.1609/aaai.v33i01.33013558
39	ZHOU D Y， HUANG J Y， SCHÖLKOPF B. Learning with hypergraphs： Clustering， classification， and embedding［J］. Advances in Neural Information Processing Systems， 2007， 19： 1601-1608.
40	陈洁，李锐，赵姝，等. 面向图表示社区检测的新型聚类覆盖算法［J］. 电子学报， 2020， 48（9）： 1680-1687. DOI：10.3969/j.issn.0372-2112.2020.09. 003 CHEN J， LI R， ZHAO S， et al. A new clustering cover algorithm based on graph representation for community detection［J］. Acta Electronica Sinica， 2020， 48（9）： 1680-1687. DOI：10.3969/j.issn.0372-2112.2020.09.003 doi: 10.3969/j.issn.0372-2112.2020.09.003
41	TU K， CUI P， WANG X， et al. Structural deep embedding for hyper-networks［C］// Proceedings of the 32th AAAI Conference on Artificial Intelligence and 30th Innovative Applications of Artificial Intelligence Conference and 8th AAAI Symposium on Educational Advances in Artificial Intelligence. New Orleans： AAAI Press， 2018， 53： 426-433. doi:10.1609/aaai.v32i1.11266 doi: 10.1609/aaai.v32i1.11266
42	杨晓慧，万睿，张海滨，等. 基于符号语义映射的知识图谱表示学习算法［J］. 计算机研究与发展， 2018， 55（8）： 1773-1784. DOI：10.7544/issn1000-1239. 2018.20180248 YANG X H， WAN R， ZHANG H B， et al. Knowledge map representation learning algorithm based on symbolic semantic mapping［J］. Journal of Computer Research and Development， 2018， 55（8）： 1773-1784. DOI：10.7544/issn1000-1239. 2018.20180248 doi: 10.7544/issn1000-1239. 2018.20180248
43	秦川，祝恒书，庄福振，等. 基于知识图谱的推荐系统研究综述［J］. 中国科学（信息科学）， 2020， 50（7）： 937-956. DOI：10.1360/SSI-2019-0274 QIN C， ZHU H S， ZHUANG F Z， et al. A survey on knowledge graph-based recommender systems［J］. SCIENTIA SINICA Informations， 2020，50（7）： 937-956. DOI：10.1360/SSI-2019-0274 doi: 10.1360/SSI-2019-0274
44	WANG X， CUI P， WANG J， et al. Community preserving network embedding［C］// Proceedings of the 31th AAAI Conference on Artificial Intelligence. San Francisco： AAAI Press， 2017： 203-209. doi:10.1609/aaai.v31i1.10488 doi: 10.1609/aaai.v31i1.10488
45	CHANG S Y， HAN W， TANG J L， et al. Heterogeneous network embedding via deep architectures［C］// Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Sydney： Association for Computing Machinery， 2015： 119-128. DOI：10. 1145/2783258.2783296 doi: 10. 1145/2783258.2783296
46	CAO S S， LU W， XU Q K. Deep neural networks for learning graph representations［C］// Proceedings of the 30th AAAI Conference on Artificial Intelligence. Phoenix： AAAI Press， 2016： 1145-1152. doi:10.1609/aaai.v30i1.10179 doi: 10.1609/aaai.v30i1.10179
47	WEI X K， XU L C， CAO B K， et al. Cross view link prediction by learning noise-resilient representation consensus［C］// Proceedings of the 26th International Conference on World Wide Web. Perth： International World Wide Web Conferences Steering Committee， 2017： 1611-1619. DOI：10. 1145/3038912.3052575 doi: 10. 1145/3038912.3052575
48	TANG M F， NIE F P， JAIN R. Capped LP-NORM graph embedding for photo clustering［C］// Proceedings of the 24th ACM International Conference on Multimedia. Amsterdam： Association for Computing Machinery， 2016： 431-435. DOI：10. 1145/2964284. 2967257 doi: 10. 1145/2964284. 2967257
49	ZHANG Q S， WU Y N， ZHU S C. Interpretable convolutional neural networks［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City： IEEE， 2018： 8827-8836. DOI：10.1109/CVPR. 2018.00920 doi: 10.1109/CVPR. 2018.00920
50	MAATEN L V D， HINTON G. Visualizing data using t-SNE［J］. Journal of Machine Learning Research， 2008， 9（11）： 2579-2605.
51	NIKOLENTZOS G， MELADIANOS P， VAZIRGIANNIS M. Matching node embeddings for graph similarity［C］// Proceedings of the 31th AAAI Conference on Artificial Intelligence. San Francisco： AAAI Press， 2017： 2429-2435. doi:10.1609/aaai.v31i1.10839 doi: 10.1609/aaai.v31i1.10839
52	刘华玲，郑建国，孙辞海. 基于贪心扰动的社交网络隐私保护研究［J］. 电子学报， 2013，41（8）： 1586-1591. DOI：10.3969/ j.issn.0372-2112.2013.08. 021 LIU H L， ZHENG J G， SUN C H. Privacy preserving in social networks based on greedy perturbation［J］. Acta Electronica Sinica， 2013， 41（8）： 1586-1591. DOI：10.3969/j.issn.0372-2112. 2013.08.021 doi: 10.3969/j.issn.0372-2112. 2013.08.021
53	YANARDAG P， VISHWANATHAN S V N. Deep graph kernels［C］// Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Sydney： Association for Computing Machinery， 2015： 1365-1374. DOI：10.1145/2783258.2783417 doi: 10.1145/2783258.2783417
54	KUO C C J， ZHANG M， LI S， et al. Interpretable convolutional neural networks via feedforward design［J］. Journal of Visual Communication and Image Representation， 2019， 60： 346-359. DOI：10. 1016/j.jvcir.2019.03.010 doi: 10. 1016/j.jvcir.2019.03.010
55	RIBEIRO L F R， SAVARESE P H P， FIGUEIREDO D R. Struc2vec： Learning node representations from structural identity［C］// Proceedings of the 23th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. HaliFax： Association for Computing Machinery， 2017： 385-394. DOI：10. 1145/3097983.3098061 doi: 10. 1145/3097983.3098061
56	曹燕，董一鸿，邬少清，等. 动态网络表示学习研究进展［J］. 电子学报， 2020， 48（10）： 2047-2059. DOI：10.3969/j.issn.0372-2112.2020.10.024 CAO Y， DONG Y H， WU S Q， et al. Dynamic network representation learning： A review［J］. Acta Electronica Sinica， 2020， 48（10）： 2047-2059. DOI：10. 3969/j.issn.0372-2112.2020.10.024 doi: 10. 3969/j.issn.0372-2112.2020.10.024

[1]	郑素佩,靳放,封建湖,林云云. 双曲型方程激波捕捉的物理信息神经网络（PINN）算法[J]. 浙江大学学报（理学版）, 2023, 50(1): 56-62.
[2]	吴郁文,林杰. 融合遥感与社会感知数据的城市土地利用分类方法[J]. 浙江大学学报（理学版）, 2023, 50(1): 83-95.
[3]	徐圣嘉,苏程,朱孔阳,章孝灿. 基于深度学习的岩石薄片矿物自动识别方法[J]. 浙江大学学报（理学版）, 2022, 49(6): 743-752.
[4]	王昱文,杜震洪,戴震,刘仁义,张丰. 基于复合神经网络的多元水质指标预测模型[J]. 浙江大学学报（理学版）, 2022, 49(3): 354-362.
[5]	郭毅博, 牛猛, 王海迪, 陈艳华, 薛均晓, 袁玥, 侯立硕, 徐明亮, 潘俊. 基于生成对抗网络的飞机燃油数据缺失值填充方法[J]. 浙江大学学报（理学版）, 2021, 48(4): 402-409.
[6]	王小超, 张雷, 余元强, 胡坤, 胡建平. 基于快速神经网络架构搜索的鲁棒图像水印网络算法[J]. 浙江大学学报（理学版）, 2021, 48(3): 261-269.
[7]	钱立辉, 王斌, 郑云飞, 章佳杰, 李马丁, 于冰. 基于图像深度预测的景深视频分类算法[J]. 浙江大学学报（理学版）, 2021, 48(3): 282-288.
[8]	陈园琼, 邹北骥, 张美华, 廖望旻, 黄嘉儿, 朱承璋. 医学影像处理的深度学习可解释性研究进展[J]. 浙江大学学报（理学版）, 2021, 48(1): 18-29.
[9]	傅颖颖, 张丰, 杜震洪, 刘仁义. 融合图卷积神经网络和注意力机制的PM_2.5小时浓度多步预测[J]. 浙江大学学报（理学版）, 2021, 48(1): 74-83.
[10]	王协, 章孝灿, 苏程. 基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类[J]. 浙江大学学报（理学版）, 2020, 47(6): 715-723.
[11]	曾金迪, 张丰, 吴森森, 杜震洪, 刘仁义. 基于空间自回归神经网络模型的空间插值研究[J]. 浙江大学学报（理学版）, 2020, 47(5): 572-581.
[12]	李君轶, 任涛, 陆路正. 游客情感计算的文本大数据挖掘方法比较研究[J]. 浙江大学学报（理学版）, 2020, 47(4): 507-520.
[13]	周笑天, 张丰, 杜震洪, 刘仁义. 基于神经网络集合预报的台风路径预报优化[J]. 浙江大学学报（理学版）, 2020, 47(2): 196-202.
[14]	卢家品, 罗月童, 黄兆嵩, 张延孔, 陈为. 基于排名学习和多源信息的地图匹配方法[J]. 浙江大学学报（理学版）, 2020, 47(1): 27-35.
[15]	刘尧, 王颖志, 王立君, 张丰, 杜震洪, 刘仁义. 交通事故的时空热点分析[J]. 浙江大学学报（理学版）, 2020, 47(1): 52-59.

Viewed

Full text

Abstract

Cited

Shared

Discussed