LATTE：面向应用的社交网络嵌入

近年来，许多研究工作提出将网络结构数据嵌入到低维特征空间中，其中每个节点表示为一个特征向量。然而，由于嵌入过程与外部任务的脱离，大多数现有嵌入模型所学得的嵌入结果对于具有特定目标的应用任务（例如社区检测或信息扩散）可能无效。本文中，我们提出研究面向应用的异构社交网络嵌入问题。与现有工作显著不同，该问题除保持网络结构外，还应在目标函数中纳入外部应用的目标。为解决该问题，本文提出一种新颖的网络嵌入框架，即“面向应用的网络嵌入”（Latte）模型。在Latte中，异构网络结构可用于计算节点“扩散邻近度”分数，其捕获了局部和全局网络结构。基于这些计算所得分数，Latte通过将自编码器模型扩展到异构网络场景来学习网络表示特征向量，从而也能有效统一网络嵌入与外部应用任务的目标。已在真实世界异构社交网络数据集上进行了大量实验，实验结果证明了Latte在为特定应用任务学习表示向量方面的优异性能。