摘要

拓扑信息对于研究网络中节点之间的关系至关重要。近年来，网络表示学习（NRL）通过将网络投影到低维向量空间，在分析大规模网络方面展现出其优势。然而，大多数现有的NRL方法旨在保留网络的局部拓扑结构，而无法捕捉全局拓扑信息。为了解决这一问题，我们提出了一种新的NRL框架，命名为HSRL，以帮助现有NRL方法同时捕获网络的局部和全局拓扑信息。具体而言，HSRL使用一种基于社区意识的压缩策略递归地将输入网络压缩成一系列较小的网络。然后，利用现有的NRL方法为每个压缩后的网络学习节点嵌入。最后，通过连接所有压缩网络中的节点嵌入来获得输入网络的节点嵌入。在五个真实世界数据集上进行的链路预测实证研究表明，HSRL相比现有最先进方法具有显著优势。