张蝶依，尹立杰

(河北地质大学信息工程学院，河北 石家庄 050031)

0 引言

网络数据作为表达物体间关系的一种载体，在现实世界中无处不在，例如生物、社交和计算机系统等，在这些系统中相互作用的组件可以抽象为信息网络[1]。由此可见，信息网络已经成为我们日常生活中重要组成部分，对信息网络进行研究和分析已经引起学术界众多研究者们的广泛关注。随着网络时代的迅猛发展，信息网络所面临的复杂性越来越高，如何有效、快速处理网络中的数据成为亟待解决的问题。

采用邻接矩阵[2]这种高维稀疏的编码方式来表示网络中的节点，很难被机器学习算法处理。网络表示学习采用低维向量表示网络中的节点，同时尽可能地保留网络原始的结构特征。由于低维向量很容易被机器学习算法处理，因此被广泛应用于节点分类[3-5]、聚类[6-7]、链接预测[8-9]和推荐[10-13]等应用场景中。

现在已有大量工作致力于同质网络的表示学习，相关研究工作包括 DeepWalk[14]、LINE[15]、Node2vec[16]、GraRep[17]等，但是这些算法只考虑了网络的拓扑结构，使得学到的节点或边的特征表示在后续的实验任务中并没有取得很好的效果。现实世界的网络除了包含拓扑信息之外，还包含更多可利用的辅助信息，例如微博中包含用户信息、微博内容等属性信息，充分利用这些异质信息有助于学习更加准确的节点表示。将现实世界的信息网络建模为异质信息网络，即由多种类型的节点通过多种类型的连边形成的网络，不仅保留了网络中的拓扑结构信息，而且可以获取网络中丰富的语义信息，例如，学术网络包含作者、论文、会议等不同类型的节点，以及作者和论文间的撰写关系、论文和会议间的发表关系等。……