喀什地区 【切换城市】

首页 > 热门招聘 >新闻内容

做网站时应注意什么?

2020年12月26日 10:53

新手小白建网站需要注意哪些?

小编我从建站前、建站中、建站后三个大方面,整理出最需要注意的14个方向,绝对保姆级干货。

全是精华,不建议跳读。

建站前|准备工作要做好

1、不要随意改变定位

无论是新手小白还是老油条,最忌讳网站定位摇摆不定,浪费大量时间和资源。

如果是企业网站还容易解决,如果是个人做网站,建议选择一个适合自己且有竞争优势的细分领域。

比如淘宝的优势在于购物便捷,新浪的优势在于提供更多的实时资讯,腾讯的优势在于及时沟通。

一个网站,必须要有自己的独特优势和定位,这样才能区别于其他网站。一旦确定领域和定位后,就不要再随意改变。

先确定好定位才能找到适合自己的客户群,明确服务对象,才能更好有的放矢。

2、网站域名的选择

前有京东花3000万买了jd.com的域名,后有奇虎360花1个亿买下360.com的域名作为官网。由此可见一个好的域名的重要性。

一个简单有趣的域名会让网友对网站的印象更加深刻。现在好的域名不多了,而且域名越短越贵,一般中小企业是不会花大价钱买一个域名的,注册一个与产品、服务相关的容易被人记住的域名也不失为一个好的选择。

3、网站空间的选择

好的网站空间对搜索引擎的优化也有很大影响。

如果你的网站是展示类网站或者个人Blog,可以选择VPS, 如果有简单的开发运维能力,可以选择低配置云服务器

如果是营销类网站,建议选择相对中配的云服务器,并且找有开发和运维能力的人帮你上云。

如果是线上商城业务,建议找专业的有运维能力的人帮你搭建上云,并且根据业务量大小动态调整即可。

选择网站空间一般注意这几个方面:

选择空间稳定、打开速度快的。
特别要注意,如果选择vps 和公共空间,不要选择受过处罚的空间,避免和作弊网站放在同一个服务器。
不要用免费空间,免费空间的质量普遍不高。
外贸型网站最好用海外空间和服务器

4、选择自助建站系统或服务商

选择自助建站,首先需要重点关注目标建站工具的口碑、模板和功能。其次关注服务商使用的服务器是否稳定可靠、后期的维护更新和SEO推广等。

市场上的自助建站平台,基本都可以免费试用。可以综合考虑平台的网站策划、网页设计和网站的开发能力以及价格优势后,再做选择。

选择建站服务商,最重要的是后期服务,很多企业贪图便宜选择不正规的建站公司,结果网站出现问题对方爱答不理,很麻烦。选择正规公司,后期可以避免很多类似的问题。

不论是自助建站还是选择建站服务商,都推荐使用国内最大的建站平台。

5、做好网站备案

在中国大陆,所有网站都要备案,不管是个人还是企业。网站主机(或服务器)在美国,香港等地的,网站可以不用备案。

备案包括两部分,备案主体和备案网站。一个备案主体可以开设几个网站;备案网站可以是一个域名对应一个网站,也可以是几个域名对应一个网站。

备案虽然过程麻烦,但是提高了开办网络的门槛,减少了低质量的网站,而且没有备案就不能开展后续的主流平台流量推广。备案还需要认真对待。

所以,对于网上那些不能备案的自助建站平台,建议大家慎重再慎重。

6、选择关键词

关键词代表大家搜索到你的方式,关键词的选择,就像是在定位一个网站的方向。

所以在建站之前,一定要对关键词进行研究。通过关键词工具,或者百度的相关搜索,对关键词进行研究与筛选。

高质量的关键词,可以大大提高网站被搜索到的机会。

建站中|细节问题很重要

7、网站的页面设计要符合审美

网站的设计是能对访问者产生很大的视觉刺激的。一个结构设计合理、色彩搭配符合审美的网页,可以给人带来赏心悦目、耳目一新的感觉。网友更乐意访问你的页面,也会不经意增强与访客的联系与粘性。

网站的色彩搭配要和谐,能够突出重点。不同的色彩会给浏览者不同的心理感受。

如红色,代表热情、活泼、温暖、幸福和吉祥。绿色代表新鲜、充满希望、和平、安逸和青春。蓝色代表深沉、永恒、理智、诚实、公正。紫色代表优雅与神秘;你可以根据自己网站的定位与所属行业来选择网站的主色调。

网站页面设计还需关注以下几点:主题鲜明、页面简洁、导航便捷。

8、把握好重点内容

做网站要时刻记住:用户体验永远是第一位,不论做任何设计,都要从用户的角度出发。

比如网站的外观很重要,但是客户最需要的是内容,一个网站放很多的flash或大幅图片,会导致网页打开的速度变慢,有的甚至打不开你的网站(调查显示一个网页如果打开时间超过10S就会让浏览者产生厌恶情绪),所以根据定位有的放矢,不要单单侧重在网页「漂亮」上。

同理,首页内容也不宜引用过多媒体资源。网站首页如果引入过多媒体资源也会导致网站的打开速度变慢,从而影响用户体验,导致潜在用户的流失。

9、网站导航设计

导航是网站的重要组成部分。大家可以使用面包屑导航(面包屑导航类似于一种“历史记录”的应用方式,目的是帮你追溯来路,是一种线性的导航方式),不仅可以有效提升用户体验,还能让搜索引擎觉得你的网站很专业。

另外一点,网站导航一定要用文本形式的链接,其次是选择URL的结构。因为URL的层次简短,路径追求静态路径。

10、设置一些交互的内容

现在的访客不止满足于自己是个浏览者,而希望自己是个参与者,他们不想只是看,还想参与互动。所以在网站上放上企业的或者你本人的社交账号,或者让访客留下他们的邮箱与意见或建议都是很好的互动方式。

听听访客对你的网站或者服务的看法,你也可以给他们的邮箱发送一些最新资讯,表明你在关注他们的动态,都是进一步和用户沟通的方式,从而提升用户粘性。

11、细节问题不容忽视

细节决定成败,适用于任何事情,做网站也是。

不论这个网站有多么正确的定位和发展战略,但是网站上错误的信息,不得体的图片,页面布局不够协调,满篇错别字和病句都会影响到访客的使用体验。

建站后|优化推广不能少

12、适配手机端

据统计,全球有超过51亿人使用手机。对于大多数人来说,每天睡觉前看的最后一件物品和醒来后接触的第一个物品是手机。通过手机我们可以购物、导航、摄影、娱乐、处理工作……在大多数场景中,手机已经可以替代电脑。

所以建一个手机网站,直接在微信公众号的菜单栏中进行绑定,变身微网站,形成PC网站+手机网站+微网站的三合一互联网平台,对于提升企业品牌形象大有帮助。

13、做好SEO

毫不夸张的说,目前网站的流量有超过70%都是来自各类搜索引擎。做好SEO能免费获得大量来自搜索引擎的精准流量。

网站的SEO可以分为关键词优化、内容优化和结构优化。

关键词优化包括关键词出现的位置和密度。关键词出现的重要位置包括:标题、手段、每段的前半部分。核心关键词出现的密度在2-5%。

内容优化即输出更有价值的内容。需要内容真实有效、原创度高、内容完整、且有固定的更新频率、图文结合效果更佳。

结构优化即向搜索引擎呈现良好的网站层级结构。其中包括:各个页面相互链接,且重要页面离首页位置更近;使用面包屑导航;URL结构简单,层级少,少用特殊字符等。

14、网站推广

我们做网站不单单是因为爱好,或者太闲,我们做网站是为了宣传品牌与服务,为了挣钱。

所以网站制作出来没人浏览就无法传播出去,因此网站推广就非常重要。

上文SEO已经提到到搜索引擎和文章质量的重要性,下面我再教给大家一些推广方式。

软文营销:是目前非常流行的一种方式,你可以在文章里植入需要宣传的内容,并在文章底部留下链接,如果软文在一些高权重的网站发布出来,基本上当就可以收录,第二天就能获得很好的排名。

百度竞价排名:又叫SEM,通过搜索引擎去推广自己的网站,是直接购买关键词,按点击量扣费的模式。

广告投放:付费广告投放是网站推广又快又有效的一种手段。只要钱到位,其他都好说。

但是要记住广告投放最主要的是投入产出比,如果你的投入远大于产出的话,建议你先优化自己的网站和文案。

总而言之,言而总之。网站的优化与推广是个持久战,需要摆平心态,认真钻研。

广东优联互通科技有限公司有丰富的资源优势,成熟的经验优势,强大的技术优势,优质的服务优势;根据客户的实际情况进行开发设计,从而更快更有效的部署软件产生效益,满足企业的市场需求。

13539285443

相关推荐

经济新常态,互联网创造更多收益

端口”作为一个可以帮助推广房源信息的平台,是各类房产中介和房东出租房屋的重要手段.而不断提升的端口费,对于原本市场就不好的中小中介和依靠端口平台生存的房东来说,无异于雪上加霜。高昂的端口费之下,房东的压力其实比小中介还要大。房屋出租本来就不是一件简单容易的事情,作为房屋中介,如今的租房市场形势严峻,竞争激烈,中小中介很难争取更大的市场,更多的还是要依托端口平台的帮助推广,才能更好地展开销售,提升业绩。可是现如今端口费不断上涨,逼得许多中小中介难以生存,一方面市场不好,另一方面高额端口费无力继续承担。租房市场竞争激烈,市场压力大,中介越来越难做,原本还想着冲一波业绩,提高一下业务水平,想多成交几个单子,结果一间房子没租出去,就看到房源端口费涨价的事情。市场本来就不太好,这些中小中介大多都没有多余资金,都要依靠端口平台维持推广,现在端口费不断提价,对中小中介来说未来更加难以生存了。而同样作为受害者的房东,不但同中介一样要与租客洽谈租房问题,及时收租催租,面对不良租客的纠缠,还要留出许多时间解决各种租客的问题,甚至还会面对出租半年,房子面目全非的现实惨状。如果把整个租赁行业比作食物链,那么房东无疑是整个食物链中最底端的弱势群体。房东作为出租房屋的个体,本身是没有什么推广房源的渠道的,也是要依靠各类房源端口的推广传播才能将房屋推广出租出去,而不断提价的端口费,让众多房东不仅没有及时将房屋出租出去,还要在房屋空置的基础上多缴纳出高额的端口费用。如此对于房东来说,不仅没赚到钱,还要倒贴钱!夹缝中生存的房东和中小中介,要如何在租房市场中争取更大的利益,获得更多的保障?现在,以互联网+为主导,具有优质安全保障体系的大型租赁信息管理平台——租客网,从房东租客中间多方面角度考虑,采取共享共赢的模式,所有在租客网上注册用户均为实名认证,把握租客房东及中介身份和信用真实性,确保房屋交易可行性,充分保障房东和中介的合法权益不受侵害。不收取任何费用,没有所谓的端口费,让中小中介和房东轻松出租,创新的保姆式托管体系,房东再也不用烦恼没有时间洽谈租客,以及担忧催租收租,面对不良信用租客的事情,大量可靠的参考数据,从根本上解决出租难题。租客网,与时代需求相结合,着眼于大时代大背景,用规范化的操作专业化的模式,打造新型的网上租赁平台,致力于引领中国的创新经济模式。加入租客网,让房屋出租变得简单高效,安全有保障,租客网,让你的生活更轻松幸福!站点类型随机100个站点曼卡MANJEEP瑞达幸运域名奔跑

2020年09月07日 09:57

WriteNow一款让你生活节奏慢下来的备忘录!

现在的生活节奏越来越快,但是我们每个人仍应该有自己的节奏。做任何事情都没有速成,习惯也也不是一天养成,但是坚持养成一个习惯一定有它的方法,它甚至可能只是一个工具。今天小编就给大家分享下一个改变了我生活习惯的APP。WriteNow,不知道你们有没有听说过,一个不是很热门的记事APP吧,但是自从用了WriteNow后,我有了定时整理记录的习惯。在使用WriteNow的这段时间,我每天都会分类整理自己看到的知识、分类整理自己的手机相册、分类整理自己的想法。换做是以前,我绝对做不到定时整理记录东西,应该说是完全没有那种自觉性,现在是雷打不动只要有需要记录的东西,我立马就拿出手机打开WriteNow给记上。也因此,我有了自己的知识库,每当我在写作时想要哪句话,我都可以通过WriteNow的快速检索功能查找到,特别方便。现在,WriteNow已经不仅仅是个记事APP,更准确的说是我的记忆库。因为爱做记录,我还养成了阅读习惯,每天都会抽空看会书。就算是碎片化阅读,我也会把我阅读到的精华记录下来。WriteNow就是这样一个神奇的APP,改成了我的生活习惯,而且是个让我特别受益的好习惯。如果你也想要养成整理记录的习惯,可以跟我一样去下载WriteNow使用看看,虽然它是一个很冷门的记事APP,但是功能还是比较齐全的,可以让你记录很多东西,而且你在记录的时候不单单可以记录文字,还可以记录图片还有视频。同时它还有时间提醒功能,小到按分钟、小时提醒,大到按天、按周、按月、按年,所以如果你有需要设置时间提醒的事情,你也可以在WriteNow记录,特别方便。就算不用设置时间提醒,WriteNow还有置顶功能,可以帮你把最重要的记录置顶。另外,WriteNow还有云端存储功能,不管你记录了多少东西,也不用担心会丢失。特别实用的一个记事APP,至少对我而言,它在记录上功能是足够的。如果你们也感兴趣,可以到官网WriteNow.com去下载看看。最后,小编想说,很多时候,不是生活让你成为了一个什么样的人,而是你自己想要成为一个怎样的人。对自己负责,未来才会对你负责。

2020年06月19日 14:31

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