郭江林

(河北地质大学信息工程学院，河北 石家庄 050031)

0 引言

网络是一种通用的数据结构[1],由节点和边构成，其中节点代表实体，边代表实体间的关系。属性网络[2]是在网络的基础上考虑了节点和边的属性信息。在现实世界中互联网每时每刻都在产生海量数据，这些数据便可构成属性网络，例如文档链接网络、社交网络、铁路网络。这些网络涉及关乎社会发展和民生的各个领域，因此有大量学者研究属性网络。以文档链接网络为例，网络中的节点代表论文，网络中的边代表论文间具有引用关系，而节点的属性代表论文的具体内容。对文档链接网络做社区发现和表示学习可以将属于同一主题的文档聚类，也可以获得文档的表示。

社区发现是分析网络的一个基本任务，它旨在将网络中的节点划分为不同的社区。同一社区内的节点彼此联系较为紧密,而不同社区间的节点联系较为稀疏。社区发现可以有效的捕获网络的全局结构。很多社区发现方法是基于矩阵分解的。这些方法通常会利用图的邻接矩阵或其他矩阵的低秩分解。如Fei Wang等人提出的三种非负矩阵分解（NMF）技术[3]和Jaewon Yang等人提出的BIGCLAM（Cluster Affiliation Model for Big Networks）[4]。但是，这些方法由于矩阵分解的复杂性而无法扩展。还有很多社区发现方法模拟了图的生成过程构建了生成模型，例如 Hongyi Zhang等人提出的 PNMF（preference-based nonnegative matrix factorization）[5]模型和Mingyuan Zhou提出的EPM（edge partition model）模型[6]。由于这些方法是基于生成模型的，因此可以用于生成网络和预测缺失的边。

对网络中节点进行表示学习旨在获得节点的分布式表示，节点表示可以有效捕获网络的局部结构，可以使局部连通性相似的节点具有相似的表示。……