陈 洁，陈嘉琳，赵 姝+，张燕平

1.安徽大学 计算智能与信号处理教育部重点实验室，合肥 230601

2.安徽大学 计算机科学与技术学院，合肥 230601

网络嵌入（network embedding，NE）是一种旨在学习网络节点的低维向量表示的方法，使其保留网络的重要性质，如反映节点间相似性的网络结构、节点属性等，所得向量表示可用以解决基于图的各种下游任务，如分类[1]、聚类、链路预测和个性化推荐[2]等。通过网络嵌入将异质信息投影到同一个低维空间，能够更好地捕捉到网络中复杂的结构和丰富的语义信息，具有重要意义。

近年来，研究者们提出各种网络嵌入方法，学习图的结构或节点之间的邻接关系，将所有节点映射为等维度的向量，学习网络中节点的低维表示。实际上，除结构信息，网络节点上的属性信息，如文本、标签、得分等，也是网络嵌入需保留的重要信息。目前网络嵌入主要可以分为三类：第一类网络嵌入只考虑网络的结构信息；第二类网络嵌入不但考虑网络的结构信息，还考虑网络节点的属性信息；第三类属于有监督学习，在网络嵌入时，引入标签的监督作用，综合考虑网络的结构信息、节点的属性信息以及标签信息。

现实中，许多网络节点不仅具有标签信息，而且标签具有丰富的层次结构，图1 列出了ACM 计算分类体系（computing classification system，CCS）中的部分层次化标签。一篇论文分配标签时，首先被分配到叶子节点，然后可以使用从顶层标签到叶子标签的路径中涉及的所有标签进行分层标记。……