李亚芳，梁 烨，冯韦玮，祖宝开，康玉健

（北京工业大学信息学部，北京 100124）

0 引言

网络已成为最常见的信息载体和表示形式，在我们日常生活与工作中无处不在，如社交网络、论文合作者网络、通信网络以及生物网络等。文献［1］指出在社交网络已成为人工智能应用焦点的大背景下，对网络数据进行研究与分析，已经受到社会各界的广泛关注，在用户画像、内容推荐、舆情监测、生物分子功能团识别等众多领域具有潜在应用价值。

然而，随着互联网技术以及大数据的蓬勃发展，以微博、微信、Twitter 和Facebook 为代表的社交网络进入亿级节点时代，不仅网络规模不断扩大、链接关系更加复杂，还存在缺失数据和噪声信息，这为大规模网络的相关研究提出了更新、更大的挑战。对于这类大规模稀疏复杂网络，文献［2］中指出，传统网络分析方法将网络表示为高维、稀疏的邻接矩阵，存在如下问题：计算复杂度高；节点通过边关联，难以并行化；难以直接应用机器学习方法，对于大规模网络的高维、稀疏向量，已有的统计学习方法会花费更多的运行时间和计算空间，使得许多先进的研究成果无法直接应用到现实的网络环境中。

网络嵌入方法是解决传统方法缺陷的有效方式，在保留结构信息的前提下，为网络中的每个节点学习一个低维、稠密的连续特征向量表示［3-4］。通过将网络数据表示成一种高效合理的形式，不仅有助于更好理解节点之间的语义关联，而且能……