首页 > 热点资讯 >新闻内容

深圳给1.7万棵树做“体检”

2020年06月22日 16:51

公园树木是公园景观的重要组成部分,也是公园安全的重要组成因素之一,为了提高市属公园树木整体安全性,确保市民游客游园安全,深圳市公园管理中心近期对市属公园内树木开展了健康及安全评估工作,在台风季来临之前,消除安全隐患,提前做好防范应对工作。

公园树木是公园景观的重要组成部分,也是公园安全的重要组成因素之一,为了提高市属公园树木整体安全性,确保市民游客游园安全,深圳市公园管理中心近期对市属公园内树木开展了健康及安全评估工作,在台风季来临之前,消除安全隐患,提前做好防范应对工作。

公园树木需要定期“体检”

由于深圳台风、暴雨等恶劣天气多发,公园树木因自身生长问题如进入衰退期,出现内部结构受损;或受外界因素影响,台风、暴雨季很容易出现断枝、倒伏等情况。公园游客量大,人流密集,树木的安全直接关系到市民游客的生命财产安全,通过及时对树木检测和修剪,避免安全事故的发生。

据深圳市公园管理中心相关负责人介绍,检测主要针对主园路3-5米内、公园广场等重点区域的树木,以及古树名木、超大树木和其他重要景观树木。并非每一棵树都需要进行体检,那些不会直接关系到游客安全的树木,将让其保留最自然的状态。

“生病”树木将对其修剪养护

树木体检主要是通过目测法和仪器检测法来检查树木的健康状况,包括树木整体生长情况、树干内部受损状况、枝叶状况以及病虫害状况等。工作人员将利用picus仪器,通过声波对树木内部进行断层扫描,类似于人类的B超区发现树木内部存在的问题。

工作人员用Picus仪器检测树木

检查及评估工作结果显示,公园内部分树木存在倾斜、偏冠、病虫害、木质部裸露,以及不同程度的内部受损等问题,存在一定的安全隐患。

针对树木检理中发现的情况,公园将对树木分别实施修枝整形、树洞修补、病虫害防治、定期监控、悬挂安全指示牌,以及加强日常管理养护等措施,进行维护及抢救复壮,保障树木健康生长。其中修剪是一项重要手段。修剪重点在公园主园路、主景区及亭台楼阁附近等涉及市民安全的乔木,以提高树木抗风能力,最大限度降低台风损害,营造安全的游园环境。

经统计,目前已完成市属公园内约17469棵树木的排查,对其中996余棵进行了重点监测并出具检测报告,并对约2581株有枯枝、病枝及歪斜等问题的树木进行了修剪。预计6月底前将完成市属公园树木检查与评估工作。

[见圳客户端、深圳新闻网编辑:马静欣]


相关推荐

生活不是为了赚钱,但赚钱一定是为了更好的生活!

在最近大热的《三十而已》中,王漫妮果断离职啦,但是接踵而来的问题也一个个砸向她。“下一份工作做什么?”“新工作的薪资待遇有多少?”“年龄渐长拿什么和同行竞争?”“房租拿什么缴?”……曾经作为上海奢侈品店金牌柜姐的她,每个月连工资带绩效到手一万七千元,收入不算低。可是租着七千一个月的房子,定期给父母两千元孝敬钱,这是固定支出。剩下八千,也要分摊给吃饭,交通,包包服饰,聚会人情等等。就算她百般节省,还是禁不住挣到的钱如流水一般又花出去。在生活风平浪静的时候她还能过得不错,可是一遇到渣男打击,工作失利,她就没有“底气”从容应对。这份“底气”是更从容的赚钱方式,更多的收入,更厚的存款。现代人都在谋求更多的机会,也敏锐的注意到了互联网的优势,但是利用互联网的机会创造价值却是个难题。你知道如何运用”经济学+乘数理论+大数据+移动互联网+”的思维创业和赚钱吗?租客网“全民合伙人”就完美实现了这套创新的创业模式。租客网是一家以互联网+为主导、以提供多元化共享生活方式为宗旨,以租赁托管业务为主营的大型综合性平台。“全民合伙人”是租客网创新推出的全民赚钱新模式,通过房源分享的方式,促进房屋租赁交易,获得相应的佣金。作为一种全新的共享经济模式,“全民合伙人”拥有许多便利和优势。优势一、免费互联网平台店铺+办公软件使用权“全民合伙人”可以免费在平台拥有一家属于自己的店铺,同时可以挑选平台中合适的房源或服务放入自己的店铺,平台赠送价值9000元的Zoffice管理软件使用权,方便独立运营。优势二、高额佣金轻松赚租客网全民合伙人可以通过租客网发送的商机推送,获得所在位置方圆3—5公里之内的租客求租信息以及房源发布信息,合伙人将收到的房源信息或求助信息进行分享,达成交易后,即可获得高额佣金。优势三、团队协力,收益拓展全民合伙人可以组建自己的团队(不超过三级),团队下线通过房源分享模式交易成功后,合伙人即能获得高额的佣金。当团队下线通过租客惠优惠买单后,全民合伙人即可享受相应的佣金返利。操作简单,收益清晰可见,每天累积一点财富,终将砌成丰厚的资本。而且加入租客网全民合伙人也十分容易。只需要简单的四步即可达成。第一步:成为租客网会员所有租客网平台会员都可以申请成为全民合伙人,用户可以直接百度搜索“租客网”登录平台版,也可以直接下载“租客网”APP,点击注册并填写相关信息并通过审核即可成为租客网会员。第二步:点击合伙人版块,选择合伙人类型成为租客网会员之后,点击平台“合伙人版块”,找到“立即成为合伙人按钮”,即可进入合伙人认证界面。合伙人分为“普通合伙人”、“实体店合伙人”、“托管公司合伙人”三种类型。第三步:提供身份证明普通合伙人只需具备个人身份证明,实体店合伙人需要实体店的营业执照以及运营者的身份证明,托管公司合伙人同样也需要公司的营业执照和运营者的身份证明。以上三种类型都是以信用为基础,平台也会拒绝不良信用记录者的申请,保证租客网的良性运作。第四步:提交申请,通过审核选择好自己需要申请的合伙人类型后,填写并提交合伙人信息,等待平台审核通过后,就可以正式成为租客网全民合伙人,开启互联网共享经济模式创业。我们之所以那么努力,就是为了能够有更多的“底气“面对生活的变化,不再因为工作上一个小小的损失,就不得不锐减开支,放弃自己整个月的生活质量;不再因为房东太太的一通涨租电话,就兵荒马乱,四处搬家;不再因为恋人的离开,就手足无措,痛苦流涕……因为我们回头,还能枕在自己用努力堆砌的坚实”臂膀“上,笑着重新开始。租客网携手“全民合伙人”,共创美好未来。

2020年08月05日 11:10

互联网时代下如何才能乘风破浪?

如今,许多刚进入互联网产业的企业在开发APP时面临两个选择,原生APP的开发和模板开发。原生开发是基于市场调研以及用户分析的前提,根据开发需求进行专属设计、程序、体验的开发研究,所以APP的开发周期长,开发成本高。许多企业退而选择模板开发,也就是套用固定模板。虽然节省了程序代码的编写工作,但模板开发也存在很大的弊端。1、无法传导大量数据没有进行原生开发的APP和网站限制于模板,后台不能进行数据的大量导入,也无法提取任何的数据,对于一些需要传导数据的客户,完全无法使用。2、知识产权无法保障如果不进行原生开发,企业开发APP和网站投入的心血就无法进行软著申请,产品得不到法律保护。而且套用模板在使用过程中有可能涉及侵权,引起不必要的法律纠纷,让企业蒙受损失。3、功能单一,无法优化升级没有原生开发的网站和app,开发功能单一,且后期不能进行优化升级。随着企业不断的发展进步,网站和app势必要进行实时更新。使用模板就不能进行内容更迭,只能重新开发,这对于企业来说使用麻烦且浪费资金。且无法及时针对用户反馈做出调整,用户体验极差,企业辛苦开发的网站和app有可能流失用户,这更是不可估量的损失。在此情况下,越来越多的公司综合考虑之下选择了原生开发。原生开发的优势明显,不仅可以规避以上缺陷,在开发质量有保障的同时,覆盖用户更广,用户体验更佳。1、功能强大,兼容性好原生开发的应用程序访问和兼容的能力比较好,可以支持在线或者离线消息推送或是进行本地资源访问,也可以更好地调用移动电话终端的硬件设备,调动语音和摄像头等功能,以及更好地用于传输gps和蓝牙。2、用户操作流畅,使用体验佳原生APP是针对不同的平台为用户提供优秀的用户体验和优质的用户界面、帮用户节约宽带成本、在无网络的情况下也能访问本地资源,使用部分的功能。用户操作起来更流畅,体验效果更佳。3、界面更美观,吸粉效果明显原生开发应用程序包比较大,涵盖了更多不同的开发元素,涵盖了这个控件元素或其他数据内容,逻辑框架也非常清晰,因此拥有更多的设计元素来提升其美观度,对用户形成更强烈的吸引力,使用户对小程序应用更加喜爱。拥有诸多优势的原生开发APP应用,自然也就更加容易获得广大用户的青睐,从而促成企业更容易达成面向用户的预期目标。原生开发的发展目前在移动市场上已经非常成熟,我们周围大多数的常用app都是原生开发出来的,这种原生开发的发展已基本成为市场的常态。但是许多企业在选择了原生开发的模式以后不知如何开发和推进,也不知道选择哪一家合作公司更靠谱。优联互通公司就具备最稳定的开发模式:01网站开发根据企业发展战略和进度需要,网站架构设计和视觉呈现具有前瞻远见性和功能高扩展性,提供网站UI设计,程序开发、SEO优化、数据埋点统计和运营技巧分享。02小程序开发提供微信小程序、支付宝小程序、百度小程序、头条小程序等小程序应用矩阵开发,也提供小程序认证、申请发布、配套数据统计开发和用户增长运营等一条龙服务。03APP应用开发当用户增长到百万级别时,企业就需要建立属于自己的私域流量和应用矩阵,APP可以开发很多企业定制化的功能,这些功能是WEB和小程序很难实现的,万物互联科技为客户提供安卓客户端和IOS客户端开发和应用市场发布等一站式服务。公司拥有最前沿先进的高端核心计算机技术优势,也拥有一支朝气蓬勃、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拥有最前沿先进的高端核心计算机技术优势。能够在瞬息万变的互联网中,更新迭代最新IT信息。更为重要的是,优联互通让客户通过原生开发的各种功能,进行全面的信息展示,创造有效的营销渠道,促进客户自身企业的发展进步的同时,确保客户的软件和网站可以进行软著申请,产品得到合法保护,更规避了套用模板有可能造成的法律纠纷,为您的原生开发保驾护航。

2020年07月29日 10:54

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