崇志强 马世乾 郭 悦 徐福华 周作静

1(国网天津市电力公司电力科学研究院 天津 300380)2(国网天津静海供电有限公司 天津 735412)

0 引 言

近年来，随着信息社会的发展，对网络或图结构信息表示与利用的研究已成为学界的热点问题[1]。网络嵌入已经成为网络分析的一种范式，引起了研究者广泛关注。其目的是将网络中的每个节点映射到一个低维向量空间，得到节点的低维向量表示。节点的表示向量可以应用于许多下游分析任务，如节点分类[2]、链路预测[3]。

一般而言，经典的网络嵌入方法可以分为两类：基于网络结构的方法和融合外部信息的方法(一般为文本信息)。前者通常基于随机游走[4]、局部邻居[5]。但上述方法忽略了网络丰富的外部信息，模型无法收敛至全局最优。此外，这些方法使用短而固定的节点邻居范围，无法捕捉全局的结构信息。

目前存在许多融合文本信息的网络嵌入方法，但这些方法一般对文本信息与网络结构信息分别建模，最终简单地拼接两个表示向量得到最终的表示[6]，这导致两种模态的信息难以有机地整合。此外，这些方法使用循环神经网络或卷积神经网络作为编码器，但是循环神经网络本身的序列依赖导致其无法实现大规模并行计算，而卷积神经网络则受限于卷积核的大小，无法捕捉到文本的长距离特征。节点标签是另一个重要的外部信息，充分利用标签信息将进一步增强节点向量的表示能力，但现实中并非所有网络节点都被标记，合理利用标记节点和未标记节点对网络嵌入过程具有重要意义。……