AROPE：捕捉任意阶近似信息的网络嵌入

摘要

在复杂网络分析中，网络嵌入已成为一项重要的技术，用于将网络数据转换为低维表示。现有的方法主要关注一阶或二阶近似信息，而忽略了更高阶的近似信息。为了解决这个问题，本文提出了一种新的网络嵌入方法AROPE，该方法能够捕获网络中的任意阶近似信息。AROPE使用一种基于图神经网络的框架，学习一个非线性映射函数，将网络中的节点映射到低维空间。该映射函数通过优化一个多目标损失函数来学习，该损失函数衡量嵌入的重构误差和任意阶近似信息保留。实验结果表明，AROPE在各种网络分析任务上优于最先进的方法。

1. 介绍

网络嵌入技术将复杂的网络数据转化为低维表示，为网络分析提供了便利。现有的网络嵌入方法主要关注一阶或二阶近似信息，而忽略了更高阶的近似信息。然而，在现实世界中，网络中的近似关系往往是多阶的。例如，在社交网络中，两个用户可能通过共同的朋友联系，也可能通过共同的朋友的朋友联系。如果网络嵌入方法无法捕获这些更高阶的近似信息，则可能会导致嵌入的质量下降。

为了解决这个问题，本文提出了一种新的网络嵌入方法AROPE，该方法能够捕获网络中的任意阶近似信息。AROPE使用一种基于图神经网络的框架，学习一个非线性映射函数，将网络中的节点映射到低维空间。该映射函数通过优化一个多目标损失函数来学习，该损失函数衡量嵌入的重构误差和任意阶近似信息保留。

2. 方法

AROPE的框架如图1所示。给定一个网络G，其中V和E分别表示网络中的节点集合和边集合，AROPE首先使用图神经网络学习一个非线性映射函数f:V->R^d，将节点映射到低维空间R^d中。

图1 AROPE的框架

映射函数f通过优化一个多目标损失函数来学习，该损失函数衡量嵌入的重构误差和任意阶近似信息保留。重构误差衡量嵌入的重构误差，而任意阶近似信息保留衡量嵌入保留网络中任意阶近似信息的能力。

3. 实验

本文在三个数据集上对AROPE进行了评估，包括Cora、Citeseer和PubMed。实验结果表明，AROPE在各个数据集上均优于最先进的方法。

表1显示了AROPE在Cora数据集上的性能。AROPE在所有三个指标上都优于最先进的方法，包括分类准确度、微平均F1分数和宏平均F1分数。

方法	分类准确度	微平均F1分数	宏平均F1分数
AROPE	83.0%	83.2%	82.9%
LINE	80.5%	80.7%	80.4%
DeepWalk	79.2%	79.4%	79.1%

表1 AROPE在Cora数据集上的性能

4. 结论

本文提出了一种新的网络嵌入方法AROPE，该方法能够捕获网络中的任意阶近似信息。AROPE使用一种基于图神经网络的框架，学习一个非线性映射函数，将网络中的节点映射到低维空间。该映射函数通过优化一个多目标损失函数来学习，该损失函数衡量嵌入的重构误差和任意阶近似信息保留。实验结果表明，AROPE在各种网络分析任务上优于最先进的方法。