郭佳雯 白淇介 林铸天 宋春瑶 袁晓洁

1(南开大学网络空间安全学院 天津 300350) 2(天津市网络与数据安全技术重点实验室(南开大学) 天津 300350)

在当前信息时代，现实世界中的各类数据天然以网络图模型存在，蕴藏着各种丰富且复杂的信息.通过对网络数据进行分析和预测，人们可以挖掘数据中潜在的信息并加以利用，例如分析用户画像、进行定制化内容推荐等.但由于网络数据通常以邻接矩阵表示，规模大、维度高，难以直接作为机器学习模型的输入进行分析和预测.因此，网络表示学习或网络嵌入为研究者提供了一种方法，它将高维网络映射到低维向量空间，并尽可能地保留原有网络的结构和语义信息[1].

Fig. 1 Sample of dynamic heterogeneous information network图1 动态异质信息网络示意图

现有的网络嵌入研究大多集中在静态网络上，包括静态同质网络嵌入和异质信息网络嵌入.在静态网络嵌入研究中，主要考虑如何对网络的拓扑结构和异质网络中语义信息进行保留，而不考虑任何时间信息.然而，现实世界中的复杂网络会随着时间的推移而快速发展.如图1所示，一个动态异质信息网络(dynamic heterogeneous information network, DHIN)包含不同类型的节点和边，并随着时间实时变化.网络的演变趋势，我们称之为时间特征，节点和边的类型或标签所隐含的语义称之为异质特征，它们携带了大量包含丰富语义的信息.此外，我们希望动态异质网络嵌入算法的时间效率能够尽可能高，以便满足实时性需求.

现有研究已经证……