我们采用以下六个分类标准：
-
研究重点： 这个标准突出了研究的核心目标。
- 网络表示学习旨在找到有效的方法，将复杂的网络结构表示在低维空间中，使其更易于分析并在机器学习任务中使用。例如，Kipf 和 Welling [7] 引入了图卷积网络 (GCN) 用于静态图上的半监督分类，而 Nguyen 等人 [15] 将其扩展到连续时间动态网络嵌入。
- 时序网络分析深入研究网络如何随时间变化，考虑节点和边的添加或删除，以及它们属性的变化。例如，Kumar 等人 [10] 开发了 JODIE 来预测时序交互网络中的动态嵌入轨迹。
- 网络熵侧重于使用熵度量来量化网络的复杂性或信息含量。Braunstein 等人 [3] 探讨了图的拉普拉斯算子作为密度矩阵，为使用冯诺依曼熵进行网络分析打开了大门。
-
网络类型： 这个标准对所研究的网络结构类型进行分类。
- 静态网络是指节点之间的连接随时间保持不变的网络。许多早期的图表示学习方法，如 [7, 14, 28, 18] 中的那些，都专注于静态图。
- 动态/时序网络随时间演化，新的连接形成，旧的连接消失。这是本文和许多参考文献的重点，如 [10, 19, 21, 25]。
- 多路网络在节点之间具有多种类型的关系，例如社交网络中人们可以是朋友、同事或家庭成员。De Domenico 等人 [5] 使用冯诺依曼熵对这种网络进行结构化简。
-
方法： 这个标准描述了用