王 强 ,江 昊,羿舒文,杨林涛,奈 何,聂 琦

1(武汉大学 电子信息学院,湖北 武汉 430072)

2(华中师范大学 物理科学与技术学院,湖北 武汉 430079)

近年来,以Internet 为代表的信息技术的发展,已使我们处于由无处不在的网络构成的世界中.此外,网络结构数据分布在各种相关领域数据中,包括分子结构网络、生物蛋白质交互网络、推荐系统、社交网络、引文网络等等.这些数据结构都可以通过网络来描述实体及实体之间的交互关系,网络结构数据是我们生产、生活中常见的一种数据形式.其中,复杂网络是一类具有幂率度分布、强聚类、小世界特性的网络.对复杂网络的分析有利于网络数据结构的潜在信息挖掘,这将促进一系列应用,如节点分类、社区发现、链路预测等[1-6].例如,可以通过“推特、微博”用户关注所形成的社交网络进行“朋友推荐”,通过生物蛋白质代谢网络发现潜在的蛋白质功能.

复杂网络的分析具有极强的现实意义,但直接对大规模、稀疏的邻接矩阵进行分析需要较高的时间复杂度和空间复杂度,难以进行并行计算[2].另一方面,在机器学习浪潮下,复杂网络学科与机器学习的结合成为当下热点研究问题,很多机器学习算法试图将网络结构数据引入作为特征输入.该输入数据一般可以被表示为包含特征信息的向量形式,传统方法使用网络的统计参数、核函数或通过精心设计的特征来描述邻居结构信息,但这些设计代价昂贵且不能自适应……