弥合社区与节点表示之间的鸿沟：基于社区检测的图嵌入

图嵌入已成为许多数据挖掘与分析系统的关键组成部分。当前的图嵌入方法要么从图中采样大量节点对，通过随机优化学习节点嵌入，要么通过计算代价高昂的矩阵分解技术分解图的高阶邻近度/邻接矩阵。这些方法通常需要大量资源用于学习过程，并依赖多个参数，这限制了它们在实际中的适用性。此外，大多数现有图嵌入技术仅在一个特定度量空间中有效（例如由余弦相似度生成的度量空间），不能保留输入图的高阶结构特征，且无法自动确定有意义的嵌入维度数量。通常，生成的嵌入不易解释，这使进一步分析复杂化并限制了其适用性。为解决这些问题，我们提出 DAOR，一种高效且无参数的图嵌入技术，可生成对度量空间鲁棒、紧凑且可解释的嵌入，无需任何手动调参。与十几种最先进的图嵌入算法相比，DAOR 在节点分类（受益于高阶邻近度）和链接预测（主要依赖低阶邻近度）上均取得有竞争力的结果。然而，与现有技术不同，DAOR 不需要任何参数调优，并将嵌入生成速度提高了数个数量级。因此，我们的方法有望极大简化并加速涉及图表示学习的数据分析任务。