摘要

网络嵌入（Network Embedding）是一种重要的方法，用于学习网络中顶点的低维表示，旨在捕捉并保留网络的结构特征。目前绝大多数现有的网络嵌入方法均采用浅层模型。然而，由于底层网络结构具有高度复杂性，浅层模型难以有效捕捉高度非线性的网络结构，从而导致网络表示性能欠佳。因此，如何设计一种能够有效捕捉高度非线性网络结构，并同时保留全局与局部网络结构特性的方法，仍是一个开放但至关重要的研究问题。为解决该问题，本文提出了一种结构化深度网络嵌入方法（Structural Deep Network Embedding, 简称SDNE）。具体而言，我们首先设计了一种半监督深度模型，该模型包含多层非线性函数，具备捕捉高度非线性网络结构的能力。随后，我们提出联合利用一阶邻近性（first-order proximity）与二阶邻近性（second-order proximity）来共同保留网络结构信息：其中，二阶邻近性由无监督组件用于捕捉网络的全局结构；而一阶邻近性则作为有监督组件中的监督信息，用于保留网络的局部结构。通过在半监督深度模型中联合优化这两种邻近性，所提方法能够同时有效保留网络的局部与全局结构特征，并对稀疏网络具有良好的鲁棒性。在实验方面，我们在五个真实世界网络数据集上进行了验证，涵盖语言网络、引文网络以及三个社交网络。实验结果表明，与现有基线方法相比，SDNE在重建原始网络方面表现显著更优，并在三项典型应用任务中均取得了显著提升，包括多标签分类、链接预测以及网络可视化。