摘要
从复杂的现实网络中学习是一个活跃的研究领域，近年来在学习信息丰富且低维的网络节点表示方面取得了显著进展。然而，最先进的方法并不一定具有可解释性，因此在生物医学或用户画像等敏感任务中应用有限，这些任务需要明确检测偏差。本文提出的SNoRe（Symbolic Node Representations）算法能够基于邻域哈希的相似性作为特征，学习出符号化的、人类可理解的单个网络节点表示。SNoRe 的可解释特征适用于直接解释单个预测结果，我们通过将其与广泛使用的实例解释工具SHAP结合，获得了表示各个特征对给定分类相关性的诺莫图。据我们所知，这是首次在结构化节点嵌入设置中进行此类尝试之一。在对十一个真实数据集的实验评估中，SNoRe 证明了其性能与变分图自编码器、node2vec 和 LINE 等强大基线方法相当。SNoRe 的向量化实现可以扩展到大型网络，使其适用于现代网络学习和分析任务。