网络反映了现实世界中的互动关系。例如,分析社交网络有助于我们理解用户行为,实现个性化内容传递和精准广告。同样,分析交通网络(如路径选择和流量监控)有助于优化资源分配并改进交通系统设计。网络表示学习的目标是将网络中的节点映射到低维向量空间,同时尽可能保留原始信息(如结构和属性),并保持推理能力(Li & Pi, 2020)。学习到的表示可以用于节点分类(Prithviraj et al., 2008)、链接预测(Linyuan & Tao, 2011)、网络重构(Ou, Cui, Pei, Zhang, & Zhu, 2016)以及大型模型的下游任务的微调(Liu et al., 2023)。
结构是网络的最基本信息,例如社交网络中的相互关注关系或航空网络中机场之间的直飞航线。然而,一些模型仅考虑相邻节点的结构,而忽略了远处甚至断开节点之间的结构相似性(Jiao et al., 2022),即语义信息。因此,角色正受到更多关注,因为它能够有效捕获远处甚至断开节点的语义信息。
节点的角色有效地解释了节点在网络中的影响,例如社交网络中的意见领袖、活跃影响者和边缘参与者。即使彼此相距较远或断开的节点也可能扮演类似的关键角色,产生显著影响并对下游任务至关重要。因此,如何挖掘不仅节点连接这样的结构特征,还有远处或断开节点的角色这样的语义信息是值得讨论的。
此外,网络通常包含来自多种模态的信息,多维网络学习可以产生更具信息量和全面性的网络表示(Li, Yang, & Zhang, 2019)。基于结构的网络(本文中称为邻域网络)表示学习方法仅学习局部结构。同样,基于角色的网络表示方法更侧重于从全局视角学习节点的影响。尽管这两个网络源自同一网络,但它们携带不同层次的语义信息。从这个角度来看,邻域网络和角色网络是互补的网络。如果将这两个网络映射并整合到一个共同的向量空间中,那么网络之间的信息交换就可以进行,使两个网络能够协同学习(Zhang, Xiang, Hospedales, & Lu, 2018)。因此,如何使网络的多个维度协同学习是一个持续的问题。
本文的主要目标和挑战如下:
挑战1:如何通过解耦构建两个语义上不同的网络?
除了结构信息外,还有许多其他附加信息,如节点的属性。此外,一个节点可能只有一个或多个角色。从原始网络构建一个具有语义意识的角色网络是具有挑战性的。因此,本文提出了一种通过解耦节点结构和模式特征来构建独立角色网络和邻域网络的方法。
挑战2:如何协同学习两个语义上不同的视图?
实际上,邻域网络和角色网络是互补的。然而,仅基于两个语义独立视图之间的对齐进行学习是不够的。为此,本文提出了一种包含自学习和互学习的对学习方法,其中自学习用于学习每个网络的具体信息,互学习用于学习两个网络之间的共同信息。
挑战3:如何通过对学习提取视图之间的差异和一致性?
给定一个网络,具体信息通过自学习过程获得,共同信息通过互学习获得。简单地连接这些表示不能保证对学习的效率。因此,有效评估具体信息和共同信息的学习是具有挑战性的。为了确保对学习方法的效率,本文使用Hilbert-Schmidt独立性准则(HSIC)来最大化两个具体信息成分之间的差异,同时利用互信息(MI)最大化来增强两个网络之间共享的共同信息的一致性。
总体而言,本文提出了一种网络构建方法,并设计了一种称为PLINK的对学习模型来学习更好的网络表示。它解决了以前的网络表示学习方法仅关注单一维度的表示而忽略不同维度之间的关系依赖性和协作的问题。本文的主要贡献如下:
•提出了一种通过解耦构建语义上不同视图的方法:PLINK通过角色特征构建和角色分配形成角色矩阵来构建角色网络。
•提出了一种协同对学习方法:PLINK使用对学习方法学习网络表示,同时实现每个网络的独立学习和网络之间的协同学习。
•提出了一种用于提取对学习中差异和一致性的评估方法:PLINK使用HSIC来增强网络之间的差异,并使用MI最大化来增强网络之间的一致性,从而确保对学习的有效性。
•实验结果表明,PLINK在6个数据集的节点分类任务中优于其他13个模型,在Micro-F1分数上平均提高了12%,这表明使用PLINK进行网络表示学习是有效的。