基于边采样的网络表示学习模型

近年来，以微博、微信、Facebook为代表的社交网络不断发展，网络表示学习引起了学术界和工业界的广泛关注.传统的网络表示学习模型利用图矩阵表示的谱特性，由于其效率低下、效果不佳，难以应用到真实网络中.近几年，基于神经网络的表示学习方法因算法效率高、较好地保存了网络结构信息，逐渐成为网络表示学习的主流算法.网络中的节点因为不同类型的关系而相互连接，这些关系里隐藏了非常丰富的信息（如兴趣、家人），但所有现存方法都没有区分节点之间边的关系类型.提出一种能够编码这种关系信息的无监督网络表示学习模型NEES （network embedding via edge sampling）.首先，通过边采样得到能够反映边关系类型信息的边向量；其次，利用边向量为图中每个节点学习到一个低维表示.分别在几个真实网络数据上进行了多标签分类、边预测等任务，实验结果表明：在绝大多数情况下，该方法都表现最优