摘要：網(wǎng)絡(luò)表示學(xué)習(xí)的目標(biāo)是將網(wǎng)絡(luò)節(jié)點(diǎn)映射到一個(gè)低維的向量空間中,然后利用已有的機(jī)器學(xué)習(xí)方法解決諸如節(jié)點(diǎn)分類、鏈接預(yù)測(cè)、社團(tuán)挖掘和推薦等下游應(yīng)用任務(wù)。通常網(wǎng)絡(luò)中的節(jié)點(diǎn)攜有屬性信息,與結(jié)構(gòu)信息具有一定的相關(guān)性,將這些信息融入到網(wǎng)絡(luò)表示學(xué)習(xí)過程中,有助于提升下游任務(wù)的性能。但是針對(duì)不同的應(yīng)用場(chǎng)景,結(jié)構(gòu)和屬性信息并不總是線性相關(guān),而且它們都是高度非線性的數(shù)據(jù)。提出一種基于變分自編碼器的網(wǎng)絡(luò)表示學(xué)習(xí)方法VANRL。變分自編碼器是一種深度神經(jīng)網(wǎng)絡(luò),它不僅可以捕獲結(jié)構(gòu)和屬性非線性相似性,還可以學(xué)習(xí)到數(shù)據(jù)的分布。針對(duì)不同的應(yīng)用任務(wù),靈活地組合結(jié)構(gòu)信息和屬性信息,使學(xué)習(xí)到的網(wǎng)絡(luò)節(jié)點(diǎn)表示達(dá)到令人滿意的性能。在四個(gè)網(wǎng)絡(luò)(包括兩個(gè)社交網(wǎng)絡(luò),兩個(gè)引用網(wǎng)絡(luò))上的實(shí)驗(yàn)結(jié)果表明,VANRL可以在節(jié)點(diǎn)分類和鏈路預(yù)測(cè)任務(wù)中獲得相對(duì)顯著的效果。