面向链接差异性与结构演化的角色导向网络表示学习研究.pdfVIP

摘摘摘要要要

复杂网络中的节点通常会因其身份地位或功能作用上的差异而表现出不同

的链接关系。透过这种链接关系，挖掘节点的结构化角色，有助于发现节点的

个体差异，理解网络的形成与演化。角色导向网络表示学习方法旨在用低维且

连续的向量表示节点，并最大程度保持节点的角色信息。然而，现有方法重点

关注节点间的结构相似性，而忽略了网络中具体链接与节点隶属角色之间的不

同作用关系。更重要的是，很少有工作从这一角度处理随时间演化的动态网络。

因此，本文面向网络中的链接差异性提出了两种基于深度学习的角色导向网络

表示学习方法来感知网络内部的潜在结构，并在第二个方法中进一步建模了网

络结构的动态演化。本文的研究内容如下：

针对链接的差异性问题，提出一种基于邻域选择的解纠图神经网络框架。

该方法一方面通过设计角色感知的邻域选择机制来解耦相邻节点之间的复杂纠

模式，另一方面通过重构节点局部结构特征来约束学习到的节点表示，使其

可以有效的保持节点在原始网络中的结构相似性。真实网络上的实验结果表明

该方法在保持角色信息方面的能力要优于其它对比方法。

针对结构的动态演化问题，提出一种基于角色交互的动态角色导向网络表

示学习方法。该方法基于变分自编码器来拟合节点结构化特征与低维嵌入之间

的射关系，并采用门控循环单元建模嵌入空间的潜在变化和长期的时间依赖

关系。最后通过设计角色感知的交互机制模拟网络链接的生成及其演化。实验

结果表明了该方法在不同的网络分析任务上都有显著的性能提升。

本文从链接差异性与结构演化的角度出发，提出了两种深度学习模型，分

别解决静态网络和动态网络中的角色信息保持问题。这些模型综合考虑了节点

在网络中的局部结构和具体链接关系，具有更强的建模能力，并且有助于探索

更为复杂的网络结构。

关键词：角色导向网络表示学习，链接差异性，结构相似性，动态演化

I

ABSTRACT

Nodesincomplexnetworksusuallyexhibitdierentlinkrelationshipsduetotheir

dierencesinstatusorfunction.Throughsuchlinkrelationships,miningthestructural

rolesofnodesishelpfultodiscovertheindividualdierencesofnodesandunderstand

theformationandevolutionofthenetwork.Therole-orientednetworkrepresentation

learningaimstorepresentnodeswithlow-dimensionalandcontinuousvectors,andpre-

servetheroleinformationofnodestothegreatestextent.However,mostoftheexisting

methodsfocusonthestructuralsimilaritybetweennodesandignorethedierentin-

terrelationshipsbetweenlinksandroles.Moreimportantly,fewworkshandledynamic

networksthatevolveovertimefromthisperspective.Therefore,thisthesisproposes

twodeeplearningbasedrole-orientednetworkrepresentationlearningmethodsforlink

dierencetoperceivetheunderlyingstructureinsidethenetwork,andfurthermodel

theevol