陈慧莹 寇 月 申德荣 聂铁铮

（东北大学计算机科学与工程学院 沈阳 110819）

1 引言

社交媒体网络包含了丰富的网络信息。联系紧密的个体及其关联关系形成了社交网络中的社区结构。传统的网络分析方法难以处理复杂多样的数据且易丢失丰富的节点信息。网络表示学习是将蕴含丰富信息的数据表示成简单低维的向量形式，并且同时直观高效的保留原有的特征信息。如图1所示，节点1与节点2、节点12原本分属两个不同的社区。若采用传统的网络嵌入方法，将可能导致三个节点被划分为同一个社区。原因在于忽略了节点固有的社区结构。对于同属于一个社区的节点，应该比隶属于不同社区的节点更加相似。因此，考虑节点所体现出的社区特征，可以提高社区划分的准确性。现有少数网络嵌入方法考虑了网络固有的社区结构。例如，文献［1］在网络嵌入时考虑了社区特征，但没有将社区特征与节点属性特征相结合。文献［2］也通过非负矩阵分解保持了社区结构，但其目标在于学习节点的嵌入表示，而非社区发现。针对以上不足，在学习节点的嵌入表示时，同时考虑节点属性特征和社区特征，并且将嵌入表示应用到社区发现中，以提高社区划分的准确性。贡献如下：

图1 具有社区结构的网络

1）提出了一种以社区发现为导向的网络嵌入模型（Community Detection-oriented Network Embedding，CDNE）。与传统模型不同，该模型同时考虑了节点属性特征和更高阶的隐含特征（即网络中固有的社区特征），同时体现了网络的局部特征与全局特征。……