陈宝祥

（安徽工程大学计算机与信息学院，芜湖 241000）

网络嵌入即网络表示学习也被称为图嵌入.它旨在将高维稀疏向量转化为低维稠密向量，从而使得算法的性能和效率得到提升.本文针对前人的工作做出了系统性的总结以及展望，对未来可应用的领域做出了预测以及分析.对比之前已有的综述[1-3]本文有两个主要优势：1）将网络嵌入与计算社会科学紧密结合，讨论了在社会科学中的多个领域内网络嵌入的重要应用.2）将网络嵌入的经典算法做出了全面的对比，而不只是局限于各类算法间的小范围比较.

1 符号及基本定义

1.1 无向图、有向图与加权图

在无向图中定义G=，其中V是非空集合它包含着n个向量，E是V中的构成的无序二元组.也就是说，如果图中的每一条边都是没有方向的，那么这个图就是无向图.G的邻接矩阵A是一个n×n的矩阵，如果Vi和Vj之间有一条边，则Aij=1否则Aij=0.

有向图与无向图的区别在于图中的边是否具有方向，即在无向图中，两个顶点Vi和Vj之间连通，则这两个顶点必是可以互相可以到达的，而若是有向图则不是这种情况了，即使存在Vi到Vj的路径也不一定存在Vj和Vi的路径.

加权图是图中的每一条边e∈E都与权重相关联.如果在一条边中如果权重是1，则表示两个节点间有正向连接，反之如果边的权重是-1则表示两个节点之间有反向连接.

1.2 异构网络

异构网络是具有多种类型的节点以及多种类型的边的网络G.形式上，G与节点类型fv：e→O，∀v∈V和边的……