关键词:
多层网络
网络表示学习
复杂网络
社团结构
深度游走
摘要:
网络理论是描述和分析社会、生物、物理、信息和工程科学中的复杂系统的重要工具。但是现有的大多数理论是对复杂网络的单一、静态的描述,不能描述复杂网络多样的交互模式的特性,而多层网络被提出用于刻画复杂网络这一特性。因此,近年来国际上提出的多层网络成为复杂网络领域的重要研究方向之一。但是多层网络的数据规模很大,而对其直接进行分析会造成计算成本过高,效率低下以及不易观察到隐含的模式。最近,网络表征学习被提出用于解决此问题。因此,对学习多层网络的表征对网络分析的任务尤为重要。多层网络表征学习旨在保存多层网络特有的结构和特征。而深度游走方法在单层网络表征学习中表现出良好的性能。因此,本文基于深度游走方法进行多层网络表征学习任务。本文主要从多层网络的层与节点的关系和社团结构两方面考虑学习节点的表征。1.首先,本文提出了既能保持多层网络中每层网络独特的网络结构信息,又能保留多层网络中节点共享的特征信息的一种多层网络表征学习方法。该方法引入层向量和节点共享特征向量的概念用于捕获每一层的结构特征和层间相同节点的共享特征,并引入层间的相似性,进一步细化节点表征、层表征。本文还通过在真实的数据集上将该方法与其他方法进行对比,实验结果表明该方法表现出较好或相当的性能。2.其次,本文还提出融入社团结构特征的多层网络表征学习方法,该方法引入矩阵分解形式的深度游走算法建模多层网络中层内的拓扑关系,并利用节点相似性与节点的社团隶属度之间的关系,同时考虑多层网络中跨层社团结构与节点表征之间的关联,最后,考虑以上所有信息整合形成统一的框架,并通过优化学习得到多层网络表征。并且通过在真实数据集上的对比实验,验证了该方法的有效性。