摘要
网络表示学习（NRL）已被广泛用于通过将原始网络映射到低维向量空间来帮助分析大规模网络。然而，现有的 NRL 方法忽略了关系属性在异构信息网络（HINs）中对对象相关性的影响。为了解决这一问题，本文提出了一种新的 NRL 框架，称为 Event2vec，该框架在表示学习过程中同时考虑了关系的数量和属性。具体而言，一个事件（即一个完整的语义单元）被用来表示多个对象之间的关系，并且定义了基于事件的一阶和二阶邻近度来根据关系的数量和属性衡量对象的相关性。我们从理论上证明了 Event2vec 如何通过利用事件嵌入来促进对象嵌入的学习，从而在嵌入空间中保留基于事件的邻近度。实验研究表明，Event2vec 在四个真实世界数据集和三个网络分析任务（包括网络重构、链接预测和节点分类）上优于最先进的算法。