超越节点嵌入：面向同质网络的直接无监督边表示框架

网络表示学习传统上用于寻找网络中节点的低维向量表示。然而，经典网络分析领域中有一些非常重要的边驱动挖掘任务，在网络嵌入领域大多未被探索。对于同质网络中的链接预测等应用，边的向量表示（即嵌入）仅通过简单聚合边两端顶点的嵌入以启发式方式导出。显然，这种导出边嵌入的方法是次优的，亟需一种利用网络边属性来嵌入边的专用无监督方法。为此，我们提出了一种将网络转换为其加权线图的新概念，该线图非常适合求解原始网络边的嵌入。我们进一步通过引入集体同质性概念，推导出一种嵌入线图的新算法。据我们所知，这是首个不依赖节点嵌入、面向同质信息网络边嵌入的直接无监督方法。我们在三个下游边挖掘任务上验证了边嵌入。我们提出的边嵌入优化框架还生成了一组并非边聚合的节点嵌入。进一步的实验分析揭示了我们的框架与节点中心性概念的联系。