首页 > 本站资讯 >新闻内容

租客网:租房如何更省钱?

来源:租客网 2020年04月03日 14:16

租客网:租房如何更省钱?

对于很多刚毕业的大学生或者是在外打拼的小伙伴而言,房租是每月中最重要的一个支出。尤其是在高速发展的城市,很多人为了租房省钱甚至会选择交通不便很偏远的地点租房居住。那么有什么办法可以让省钱和租房兼顾两全其美呢?几个小妙招,教你租房更省钱!

一、淡季租房优惠多

其实租房也有淡旺季之分,想要租房时优惠更多一点,就必须隔开旺季,在淡季时就着手租房。租房旺季一般是过年后和6月份前后。

春节前---年前一两个月是传统淡季,这段时间换房子的很少。年前很多人都要回家了,会有大多数人选择退房,而准备租房的人几乎都要年后来才租,此时租金相对较低,市场房源充足,是租房子的好时机。租赁需求比旺季下降时,为促成订单成交,租房平台或是房东都会部分下调租金。下调租金的幅度大约在10%-15%之间,虽然减少了全年租金收入,但相对于将房屋空置一两个月带来的损失,这样做比较明智。

春节后---城市与城市之间人员流动大,流入城市后需要居住条件,另外还有一些过年前想搬家的,年后想要搬到另外的区域居住。

6月份毕业高峰期---大量毕业生开始找房子,因此需求租房的人群大幅度增长。这两个时间段租房时都是房源供不应求,是租房旺季。所以,本就有换房需求的租客,可以尝试在租房淡季时选择租房,不仅可以择优选择,还能节省租金开支,不失为一个便宜租房的好办法。

正所谓,“早起的鸟儿有虫吃”,有了租房或是换房的想法后就可以着手准备选好区域看房了,千万别等到火烧眉毛再开始考虑租换房的事情哦!

二、选择个人还是中介

部分通过租房平台找房都需要支出一个月房租的一半作为中介费,想想要多花半个月的房租还是有点心疼;可是如果选择直接找个人房源,又担心遇到假房东、二房东上当受骗。

三、避开核心地段

核心区域房源固然能享受居住在中心地带的优越便利感,但是也要为高昂的租房费用买单。小伙伴们不妨跳出中心地带圈,找找附近2-3km内周围片区的房源,只要公交车、地铁站能在既定时间内走路到达,交通出行便利,也能节省一笔不小的房租开支。当然,如果通勤费过高,时间过长这也不是我们想要的,在这方面,小伙伴们可以根据自身更侧重的需求抉择平衡点。

四、省钱就选择合租

从价钱角度来说,合租是有效压缩租房成本的方式。如果你选择合租,平均分摊下来租金价格就会便宜很多。小伙伴们可以考虑找找朋友、同学、同事等人合租一套大一点的房子,既能获得更大的生活空间,又能合理分摊租房成本,何乐而不为呢?

另外,合租一整套房子的议价空间也会更高一点,只要大家的工作相对稳定,可以按照一年的模式和房东签订一个长期的租赁合同,和房东讲讲价再优惠一点可能也不是问题。毕竟,对于房东来说,工作稳定的租客和爱干净整洁的租客素质对于他们来说也会省心很多,也愿意做出适当的让步给一定优惠。

最后,希望大家都能租到自己称心如意的房子,也祝愿大家成功的速度,能赶得上房价上涨的速度,早日实现自己有房的愿望噢~(文章摘自网络,侵删)


关键字:

相关推荐

房东什么情况下可以涨租金

我国在去年就有文件出台要规定房东不得单方面提租金,这也是为了租客能够有住房保障,能够在外省生活稳定,外出务工者长期在外生活,需要政府对他们的生活进行保障。那么房东什么情况下可以涨租金?阅读完以下找法网小编为您整理的内容,一定会对您有所帮助的。  一、房东什么情况下可以涨租金  租房合同是合法合同且没有到期的,房东可以与承租人协商涨房租,但房东不能随便涨房租。房东要是随便涨房租的话属于单方面变更合同,是违法的行为。房屋承租人在租房合同未到期的情况下可以要求房东以原房租继续承租,这是承租者的合法权益。  依法成立的合同,对当事人具有法律约束力。当事人应当按照约定履行自己的义务,不得擅自变更或者解除合同。依法成立的合同,受法律保护。  但是你说的情况,如果合同到期后,如果合同没有对此有特别的规定,房东是可以变更房租的。只要不违反国家法律和政策,房租价格属于出租人和承租人自行协商确定的范畴。  租房双方签订房屋租赁合同,有了租房约定,需要严格实行约定。对于租金的支付也是需要执行合同的约定的,没有约定的可以协商补充约定,另外对方退租的是属于违约的,可以要求对方承担违约金以及实际损失赔偿,与对方协商不成的情况下可以到法院起诉。  二、房东能随便涨房租吗  租房的费用通常是在最开始协商租房事项的时候约定好的,而一般在房屋租赁期限内,房东是不能涨房租的,即使需要涨房租也要与承租人协商之后才行。  要依合同履行义务,不得擅自变更或解除合同。租赁关系期间,协议中有相应的价格条款,双方都必须忠实履行协议中规定事项。协议未到期,房东单方面要求涨价属于违约行为。  房东更不得强行停水停电等行为,出现这些状况可以在举证成功后,要求房东予以赔偿。一旦你的房东现在要求提高租金,他可以通过协商的途径来找你解决。在租约合同期间,如果协商不成,房东并没有单方面提高租金的权利。  如果房东执意要提高租金,甚至要赶你走,此时,你可以向人民法院起诉其违约,要求房东承担违约责任。所以绝对没有可以调整约定的,房东不可以单方涨价,你完全可以拒绝。房东强行解除的,你可以提起诉讼,要求支付违约金或者继续履行。  三、房东恶意涨房租怎么办  随着房价的不断上涨,买房的压力越来越大,此时很多人选择了租赁房屋,租赁房屋时可能会遇到房东恶意涨房租的情形。若租赁合同到期后续签时,房东恶意涨租,比如原来800元/月的房租涨到1500元/月,承租人可以选择不再与房东签订租赁合同;若是在租赁期间,房屋租赁合同期内,出租人不得单方面随意提高租金水平。房东恶意涨房租,违反双方签订的租赁合同约定的,承租人有权要求房东按照租赁合同约定的租金继续履行或者解除合同、并要求房东赔偿损失。

2020年08月13日 16:48

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

租客惠:宁愿被绊倒无数次,也不要规规矩矩过一辈子!

从祖辈开始我们一家都住在一个叫清沟的小村子里,村子位于西北大山深处,所见之处都是山,老一辈的人这一辈子都没有出过大山。我们家四口人,除了我父母,还有个大我五岁的哥,生活仅靠着家里那一亩三分的收成。看到我们村里很多孩子读完初中就出去打工挣钱了,因为母亲一直有病在身,大哥很早就辍学了,出门打工支持我上学,我是家里唯一的希望。看着大哥二十岁就黑瘦的身影,我好几次跟父亲说不想读书了,我也要赚钱养家。每次大哥都会把我劈头盖脸的骂一通,我发誓要改变家里的命运,就这样坚持着上完了初中和高中,考上了一所深圳的大学。就这样,我成为村子里第一个大学生。在大学里,我跟大多数的同学都不同,没有钱去买衣服,没有钱去改善伙食,爱情对于我来说更是昂贵的奢侈品。每天我就在寝室、教室、图书馆,三点一线的学习着,我拼命的努力,希望用知识改变家庭的命运。我拿到了系奖学金,院奖学金,校奖学金,甚至还拿过一次国家奖学金,我以为这样的成绩,毕业后,会有一个不错的未来。终于熬到了临近毕业,当我带着满腔的热情和对生活无限的憧憬走向一个又一个招聘会的时候,回报我的,都是“不好意思”。不好意思?是上帝跟我开玩笑吗?毕业的日期临近,同学们陆陆续续的搬出了宿舍,原本嬉闹的寝室,变得冷冷清清,一如我的心。我不明白,招聘的时候,穿着那么重要吗?生长环境那么重要吗?不是说好的知识改变命运,怎么除了知识还要看综合素质?公寓的大爷每次来催我离校的时候,都是饱含同情,我也知道毕业了,学校我是住不下去了。我好想哭一场,声嘶力竭的哭一场,把我所有的委屈和所有的不甘心都发泄出来。可是我知道,我不能,我要改变家庭的命运,这个信念会支撑着我不流一滴眼泪。打开电脑找房子,环境我就不考虑了,只要便宜,有个睡觉的地方就行。看了几次房子,都很喜欢,我甚至觉得我有个地方在这个城市呆下去我就很幸福,可是,囊中羞涩,我交不起押一付三的租金。无意中看到了一个新闻“租客网,你租房子我买单”,引起了我的兴趣。抱着试一试的想法,我进行了注册,谁知道刚注册完,我就收到了100元的代金券!这让我兴奋不已。于是,我仔细阅读了租客网的运行模式,我感觉我好像看到了改变自己命运的机会!如果我将这个网站分享出去,我的朋友通过我的链接注册了租客网之后,我就会有10块钱的代金券奖励,如果我的朋友也分享出去让别人注册,我也能获得一块钱代金券奖励。这还仅仅是开始,每个人通过我或者通过我注册的朋友分享的链接,成功发布租房信息并且出租出去或者自己成功租房我都可以获得20-100元的佣金!我们这批毕业的同学那么多,大家都在找房子,我如果抓住这个机会,我的生活费就来了!于是,我尝试着在平台寻找一些更适合毕业生居住的房子在朋友圈分享,我惊讶的发现,我转发的每一条租房信息都被我的同学们租下来了,一天下来,我的账户居然收入了2000块钱,这让我兴奋不已,我租房钱来了。于是,我赶紧给大哥打电话,让他跟我一起来加盟租客网,做租客经纪人。就这么半年过去,现在我在深圳已经租了一套花园洋房,我现在拥有二级租客几千个,每天光佣金就够我生活的很轻松自由。我把爸爸妈妈和哥哥都接了过来,自己也找了一个深圳本地姑娘准备结婚。我时常感叹,如果不是租客网给我的机遇,我估计现在应该回老家了吧。感谢租客网实现了我人生的梦想,让我改变了自己和全家的命运!

2020年04月26日 11:52