高亚男， 刘 勇，惠 丽

(黑龙江大学 计算机科学技术学院，哈尔滨 150080)

0 引 言

信息网络是信息的重要表达形式，随着大数据和深度学习技术的突飞猛进，人工智能研究正面临新一轮的爆发式发展，能否对信息网络做出有效合理的数据分析是当今学术研究的热门话题。从宏观意义上讲，基于网络的特征学习目的是寻找一种途径可以有效探索整合网络结构。基于图的特征学习旨在将图表示为微观意义上的低维向量，同时保持图结构。图形分析旨在从图形数据中挖掘有用的信息。表示学习了获取数据表示。在构建分类器和其他预测变量时，容易提取有用的信息。有效的特征学习分析对于许多应用程序(例如节点分类和链接预测)很有用。通过分析社交网络的用户交互(例如微博中的评论/关注)情况，可以为用户推荐朋友。

关于信息网络的研究大都是在静态网络基础上，而现实生活中不仅网络拓扑会变化，网络中的节点也会发生交互动作，这两种动态的变化过程对网络的表示学习有很重要意义，动态信息网络表示学习问题近来越来越受关注。网络的拓扑结构随时间而变化，不断建立新的关系，生成新的内容，并反映在节点属性中[1]。同时，节点之间可能会频繁发生交互，例如在社交网中节点之间通过边的交互可理解为一次信息的传达。生活中还有其他的很多交互模式，而这些动态的变化以及特征和属性是静态网络不曾包含的，相比之下动态网络更切合于实际，并且包含更多的网络信息以及特性，更有力于模型的学习。……