摘要
图嵌入已成为众多数据挖掘与分析系统中的关键技术组件。现有的图嵌入方法通常要么从图中采样大量节点对，通过随机优化方法学习节点嵌入；要么利用计算成本高昂的矩阵分解技术，对图的高阶邻近性/邻接矩阵进行分解。这些方法通常需要大量计算资源，并依赖多个参数，限制了其在实际应用中的可扩展性。此外，大多数现有图嵌入技术仅在特定度量空间中表现良好（例如基于余弦相似度生成的空间），难以保留输入图的高阶结构特征，也无法自动确定有意义的嵌入维度数量。通常情况下，生成的嵌入难以解释，这给后续分析带来困难，进一步制约了其应用范围。为解决上述问题，我们提出DAOR——一种高效、无需参数调优的图嵌入方法，能够生成在度量空间上具有鲁棒性、紧凑且可解释的嵌入表示，且无需任何人工调参。与十余种前沿图嵌入算法相比，DAOR在节点分类（依赖高阶邻近性）和链接预测（主要依赖低阶邻近性）任务上均取得了具有竞争力的性能表现。与现有方法不同，DAOR无需任何参数调整，同时将嵌入生成速度提升了数个数量级。因此，本方法旨在显著简化并加速涉及图表示学习的数据分析任务。