袁 铭， 刘 群， 孙海超， 谭洪胜

(重庆邮电大学 计算机科学与技术学院， 重庆 400065)

网络表示学习[1-2]是网络数据挖掘中的一项重要技术，能够将网络中的每个节点用一个向量表示出来，从而把网络结构映射到一个由节点向量组成的低维空间，为基于网络拓扑的链路预测、节点分类、聚类等任务提供数据结构的支撑.在实际应用中，不同的复杂信息网络通常都具有异质性，其表现为在同一个网络中包含多种不同类型的节点和多种不同类型的链接关系，这种网络也被称为异质网络.与同质网络相比，这类网络通常具有丰富的交互关系.其中，不同类型的节点和链接都隐含了极其丰富的语义和结构信息，如智能电网、生物蛋白质网络、社交网络等.

近年来，同质网络表示学习已经取得了丰富的成果.Deepwalk算法[3]利用随机游走首次将网络结构建模为语料序列，结合Skip-Gram模型得到节点的低维表示，为网络分析任务提供了新的思路.随后，更多的同质网络表示算法被提出[4-6]，如Node2vec算法和LINE算法，采用不同的随机游走设计，结合Skip-Gram模型学习更为准确的节点向量表示.但以上方法将不同类型的节点和链接都视为相同类型来建模，不具备针对异质网络的有效设计.显然，如果忽略网络的异质性问题，容易导致各种网络分析任务的准确性有所降低.只有表征出网络中不同类型节点及链接的独有特征，才能捕获网络中丰富的语义，因此对异质网络表示学习的研……