摘要
网络嵌入，又称为网络表示学习，目标是为网络中的节点学习低维的向量表示。学习到的向量表示可以用于各种网络分析任务，例如节点分类、链接预测、节点聚类、网络对齐等。近年来，随着大量网络数据的产生，网络嵌入受到了越来越多的关注。根据学习节点表示时利用的网络数量，网络嵌入可以大致分为两类：单一网络情境下的网络嵌入与多网络情境下的网络嵌入。 尽管已经有许多研究人员分别针对单一网络情境下的网络嵌入以及多网络情境下的网络嵌入进行了相关的研究，但仍然存在一些问题没有得到解决：对于单一网络情境下的网络嵌入，现有工作通常只捕捉了节点的同质性或者结构等价性这两种性质之一，然而现实世界的网络中的节点往往同时具有这两种性质；对于多网络情境下的网络嵌入，现有工作通常没有考虑到有向网络中节点的影响力会随着网络中边的方向发生变化，此外，许多现有工作实现了不同网络间的域自适应，但在实现域自适应过程中忽略了有向网络中边的方向。 针对单一网络情境下的网络嵌入问题，本文提出了一种基于元学习的自适应网络嵌入模型MLANE，它的主要思想是通过端到端的元学习框架将节点的采样策略学习与节点的嵌入学习整合起来，从而针对不同的任务为不同的节点自适应地捕捉同质性与结构等价性。本文在真实数据集上的实验验证了MLANE在各种单一网络分析任务上的有效性。 针对多网络情境下的网络嵌入问题，本文提出了一种针对有向网络对齐的域自适应网络嵌入模型DADNA。DADNA通过设计加权邻接矩阵实现根据边的方向调整节点的权重，并利用图卷积网络学习节点的嵌入，同时通过生成对抗网络实现不同有向网络间的域自适应。本文在真实数据集上的实验验证了DADNA在多网络分析任务中的网络对齐任务上的有效性。
NETL