摘要
属性网络常被用于反映实体间的复杂关系，例如社交网络、蛋白质交互网络和论文引用网络等。有效地挖掘网络信息对推动社会经济发展具有重要意义。 有效地表示网络数据是进行网络分析的第一步，本文专注于节点级别的网络表示学习，目的是通过属性网络上的表示学习，将节点表示成低维、稠密、实值向量，以进行网络分析。现有的网络表示学习方法没有很好地利用节点表示间的聚类语义信息，也未能进一步拓展和探索网络结构或者节点属性信息。为此，本文提出了三个网络表示学习方法，以学习高质量的节点表示。具体工作如下: （1）本文提出一种基于采样和去偏差策略的网络表示学习和节点聚类方法，该方法可以同时进行节点表示学习和聚类。该方法通过采样少量的锚点构建一个包含正负样本对的数据集，然后将数据集送入低通图编码器中，获得平滑的节点表示并进行聚类。聚类信息可以用于去除数据集中的偏差样本对，从而提高节点表示的质量。该方法同时考虑输入空间和表示空间上的聚类信息，使得学习到的节点表示更便于聚类。 （2）本文提出一个基于多视图信息瓶颈原理的对抗式网络表示学习方法。该方法通过最小化一个视图节点表示与另一个视图节点表示之间的互信息，并同时最大化一个视图节点表示与另一个视图全局图表示以及一个视图节点表示与另一个视图聚类表示之间的互信息来学习节点表示。该方法产生的新视图不仅减少了原始网络视图中的拓扑结构和节点属性中的冗余信息，而且挖掘了节点表示之间的语义信息。 （3）本文提出一种基于互信息最大化和聚类感知的网络表示学习方法。该方法首先使用图扩散方法对原始图进行扩散图构造，然后将两个图编码到低维特征空间中，以获得节点表示和全局表示。最后，该方法通过最大化两个图间的互信息，并同时最大化原始图的节点表示和扩散图的节点表示间的聚类一致性来对节点表示进行学习。该方法学习到的节点表示不仅可以捕获局部和全局信息，而且挖掘聚类语义信息。 （4）在三个引文网络数据集上对提出的三个方法进行可视化分析，节点聚类和节点分类，实验结果表明提出所有方法较其它基线方法有明显优势。
NETL