结合属性信息的二分网络表示学习

赵雪莉，卢光跃，吕少卿+，张 潘

1.西安邮电大学 通信与信息工程学院，西安710121

2.西安邮电大学 陕西省信息通信网络及安全重点实验室，西安710121

现实世界普遍存在各种各样复杂但蕴含着丰富信息的网络，如社交网络、生物网络和物流网络等。其中二分网络是复杂网络中一种重要的网络表现形式，该类网络由两种类型的节点构成，其边只存在于不同类型的节点之间，如引文网络[1]中作者和其论文发表的会议、购物网络中用户和商品、社交网络中用户和其所属社区等均能抽象为二分网络。因此对二分网络进行研究和分析具有非常高的应用价值。

在针对网络结构的研究中，一个重要的问题是如何合适地表示网络结构信息。传统的网络表示一般采用高维稀疏矩阵，但高维稀疏矩阵往往需要更高的时间和空间成本。同时，随着人工智能技术的突飞猛进，越来越多的研究领域都融入了机器学习、深度学习等技术，但是传统的网络表示方法无法直接应用这些算法，因此研究人员转而探索将网络中的节点表示为低维向量的方法，即网络表示学习（或网络嵌入）。网络表示学习将网络中的节点表示为低维稠密向量，并且最大程度地保留原网络中的结构信息和特性，随后这些表示向量作为对应节点的特征能够被应用到后续的节点分类[2]、链路预测[3]、社区发现[4]、推荐[5-6]和可视化[7]等任务中。

目前已有的网络表示学习算法主要针对同质网络……