窦 伟，张维玉，翁自强，夏忠秀

齐鲁工业大学（山东省科学院）计算机科学与技术学院，济南250353

在万物互联的信息时代，网络[1]作为日常生活中描述实体之间联系的重要数据形式，其表示学习的研究也受到广泛关注。网络表示学习旨在为网络中的每个节点学习低维、稠密、实值的向量表示，从而解决诸如邻接矩阵等传统网络表示面临的高维、稀疏等问题[2]。通过网络表示学习得到的低维向量具有一定的推理能力，可以直接应用现有的机器学习算法进行多种网络分析任务来挖掘网络数据中的潜在信息，例如节点分类[3]、链路预测[4]、社区发现[5]等。

早期的网络表示学习主要基于网络关系矩阵的计算，通过对关系矩阵进行特征值分解或者奇异值分解从而降低原矩阵的维度得到节点低维表示，关系矩阵是指网络的邻接矩阵或者拉普拉斯矩阵[6]。LLE[7]假设网络中节点的表示是其邻居节点表示的线性组合。Laplace eigenmap[8]假设网络中相连的节点其表示也应该相近，并将距离定义为两个向量的欧氏距离。由于此类方法计算复杂度高，所以难以应用于大规模的网络分析，并且没有结合属性信息。近几年人工神经网络技术蓬勃发展，一些基于神经网络的表示学习方法相继被提出。DeepWalk[9]的提出掀起了网络表示学习的研究热潮，它在网络中实施截断随机游走生成含有邻接信息的节点序列，然后使用Word2Vec中的skip-gram[10]模型学习网络表示。LINE[11]定义了网络中节点的一阶和二阶的相似性，并设计和优化了两个目标函数保存节点的相似性。……