张蕾，钱峰，赵姝，陈洁，张燕平，刘峰

（1.安徽大学 计算机科学与技术学院，安徽 合肥 230601; 2.铜陵学院 数学与计算机学院，安徽 铜陵 244061）

研究人员常用网络(图)描述不同学科领域中实体间的交互关系，例如生物学领域中的蛋白质互联网络，社会学领域中的社交网络，语言学领域中的词共现网络。结合不同的分析任务对网络进行研究、探索，进而挖掘出隐藏在网络数据中的信息，使之服务于人类。不过，真实场景中的网络数据通常具有稀疏、高维等特质，直接利用这样的数据进行分析通常有较高的计算复杂度，使得许多先进的研究成果无法直接应用到现实的网络环境中。

网络表示学习[1](network representation learning，NRL)是解决上述问题的有效方法，旨在保留结构信息的前提下，为网络中的每个节点学习一个低维、稠密的向量表示。如此，网络被映射到一个向量空间中，并可通过许多经典的基于向量的机器学习技术处理许多网络分析任务，如节点分类[2]、链接预测[3]、节点聚类[4]、可视化[5]、推荐[6]等。

网络表示学习不仅要解决网络数据的高维和稀疏的问题，还需使学习到的节点特征表示能够保留丰富的网络结构信息。网络中的节点结构大致分为三类：1)微观结构，即局部相似性，例如：一阶相似性(相邻)、二阶相似性(有共同的邻居)。2)中观结构，例如：角色相似性(承担相同的功能)、社团相似性(属于同一社团)。3) 宏观结构，即全局网络特性，例如：无标度(度分布符合幂律分布)特性、小世界(高聚类系数)特性。……