深度属性网络嵌入

近年来，网络嵌入受到了广泛关注。其目的是学习网络中节点的低维表示，从而有益于节点分类和链接预测等下游任务。现有的大多数方法仅基于拓扑结构来学习节点表示，但在许多现实应用中，节点往往关联着丰富的属性。因此，同时基于拓扑结构和节点属性来学习节点表示是重要且必要的。在本文中，我们提出了一种新颖的深度属性网络嵌入方法，该方法能够捕获高度非线性，并在拓扑结构和节点属性中保留各种邻近性。同时，本文提出了一种新策略以确保所学习的节点表示能够对来自拓扑结构和节点属性的一致性与互补性信息进行编码。在基准数据集上的大量实验验证了我们所提方法的有效性。