计算机应用研究

作者：孟亚文,傅洛伊,王新兵,

单位：上海交通大学IoT智能物联网实验室,上海200240；

关键词：网络嵌入,结构身份,特征学习,

基金：国家重点研发计划重点专项项目(2018YFB1004702)；国家自然科学基金资助项目(61822206,61532012,61602303,61829201)；CCF-腾讯犀牛鸟项目(20180116)；天津先进网络重点实验室开放课题；；

近些年来，在网络嵌入（network embedding）领域的大多数研究都着眼于基于网络节点邻接关系的社区身份，如node2vec和DeepWalk；而基于网络拓扑结构的结构身份研究则十分匮乏，前沿方法如struc2vec等，通常效率很低。提出了递归结构性网络嵌入（recurrent structural network embedding，RSNE），一种新颖而高效的结构特征学习方法。RSNE递归式地把节点的结构身份定义为其邻居结构身份的非线性投影。为了避免退化为基于邻接关系的聚类，采用了一种有效而鲁棒的初始化方法。理论分析显示RSNE在时间复杂度上显著优于现有的结构性网络嵌入方法，可视化与量化实验结果也表明RSNE在分类准确性和鲁棒性上达到了最新方法相同或更好的效果，同时消耗的计算时间与空间消耗也远远更少。

来源：2020年第3期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2020年第3期