Une implémentation de « Binarized Attributed Network Embedding ». L’embedding de réseaux attribués permet d’apprendre conjointement les représentations des nœuds en fonction de leurs liens et de leurs attributs. Les modèles d’embedding de réseaux attribués existants sont généralement conçus dans des espaces euclidiens continus, ce qui introduit souvent une redondance de données et pose des défis en matière de coûts de stockage et de calcul. A cet effet, nous proposons un modèle d’embedding de réseaux attribués binarisés (BANE, pour Binarized Attributed Network Embedding), destiné à apprendre des représentations binaires des nœuds. Plus précisément, nous définissons une nouvelle matrice de proximité de type Weisfeiler-Lehman afin de capturer la dépendance entre les liens des nœuds et leurs attributs, en agrégant de manière itérative, par couches, les informations relatives aux attributs et aux liens des nœuds voisins vers un nœud cible donné. À partir de cette matrice de proximité de Weisfeiler-Lehman, nous formulons une nouvelle fonction d’apprentissage par factorisation de matrices sous la contrainte de représentation binaire des nœuds. Le problème d’apprentissage correspond à une optimisation mixte-entière, pour laquelle nous utilisons un algorithme efficace de descente coordonnée cyclique (CCD) comme méthode de résolution. Des expériences sur des jeux de données réels, portant sur la classification de nœuds et la prédiction de liens, montrent que le modèle BANE proposé surpasser les méthodes d’embedding de réseaux les plus avancées à l’état de l’art.