摘要
在众多应用中被证明极具价值后，网络嵌入（network embedding）已在网络分析中发挥关键作用。目前大多数方法通常通过最小化目标节点与其邻接节点共现的联合概率来建模网络结构，然而这类方法可能难以捕捉每个节点的个性化信息性。为此，本文提出一种名为个性化邻近性保持网络嵌入（Personalized Proximity Preserved Network Embedding, PPPNE）的新方法，该方法基于个性化排序损失（personalized ranking loss），能够自适应地捕捉节点的个性化特征。理论分析表明，PPPNE可看作是对基于矩阵分解或单层神经网络方法的统一推广，我们进一步论证：保持个性化邻近性是学习更具信息量的节点表示的关键。此外，为更有效地捕捉网络在多尺度下的结构特性，本文引入了每个节点的距离排序信息。所提方法可通过一种以节点为中心的采样策略实现高效优化。在五个真实网络数据集上的大量实验结果表明，PPPNE在链路预测和节点分类等多个典型任务上均显著优于现有最先进的网络嵌入方法。同时，PPPNE具有良好的计算效率，可借助并行计算轻松加速，因而能够有效应用于大规模网络场景。