摘要

一种“二值化属性网络嵌入”（Binarized Attributed Network Embedding，简称 BANE）的实现方法。属性网络嵌入旨在实现节点连接关系与节点属性的联合表示学习。现有的属性网络嵌入模型通常在连续的欧几里得空间中设计，这往往导致数据冗余，并带来存储与计算成本高的挑战。为此，本文提出一种二值化属性网络嵌入模型（BANE），用于学习二值化的节点表示。具体而言，我们定义了一种新的Weisfeiler-Lehman邻近矩阵，通过逐层聚合目标节点邻域节点的属性信息与连接信息，捕捉节点连接与属性之间的数据依赖关系。基于该Weisfeiler-Lehman邻近矩阵，我们在二值节点表示约束下，构建了一种新型的Weisfeiler-Lehman矩阵分解学习函数。该学习问题属于混合整数优化问题，本文采用高效的循环坐标下降（Cyclic Coordinate Descent, CCD）算法作为求解方法。在真实世界数据集上的节点分类与链接预测实验结果表明，所提出的BANE模型在性能上优于现有的先进网络嵌入方法。