Networks that can describe complex systems in nature are increasingly coupled and interacted, and effective modeling on complex coupling and interaction information is an important research direction of artificial intelligence. Representation learning provides us with a paradigm to solve such issues, but the current network representation learning methods are difficult to capture the coupling and interaction information in complex networks. In this paper, we propose a novel deep attributed network representation learning model framework (RolEANE), which can effectively preserve the highly nonlinear coupling and interactive network topological structure and attribute information. We design two different structural role proximity enhancement strategies for the deep autoencoder in the model framework, so that it can efficiently capture network topological structure and attribute information. In addition, the neighbor-modified Skip-Gram model in our model framework can efficiently and seamlessly integrate network topological structure and attribute information, and the selection of an appropriate representation learning output strategy can significantly improve the final performance of the algorithm. The experiments on four real datasets show that our method consistently outperforms the state-of-the-art network representation learning methods. On the node classification task, the average performance is improved by 4.52%–10.28% than the optimal baseline method; on the link prediction task, the average performance is 4.63% higher than the optimal baseline method.

可以描述自然界中复杂系统的网络越来越多地耦合和交互，对复杂的耦合和交互信息进行有效的建模是人工智能的重要研究方向。表示学习为我们提供了解决此类问题的范例，但是当前的网络表示学习方法很难捕获复杂网络中的耦合和交互信息。在本文中，我们提出了一种新颖的深属性网络表示学习模型框架（RolEANE），它可以有效地保留高度非线性的耦合和交互式网络拓扑结构以及属性信息。我们在模型框架中为深度自动编码器设计了两种不同的结构角色接近度增强策略，从而可以有效地捕获网络拓扑结构和属性信息。此外，在我们的模型框架中，邻居修改后的Skip-Gram模型可以有效且无缝地集成网络拓扑结构和属性信息，并且选择合适的表示学习输出策略可以显着提高算法的最终性能。在四个真实数据集上的实验表明，我们的方法始终优于最新的网络表示学习方法。在节点分类任务上，平均性能比最佳基准方法提高了4.52％–10.28％。在链接预测任务上，平均性能比最佳基准方法高4.63％。我们模型框架中的邻居修改后的Skip-Gram模型可以有效且无缝地集成网络拓扑结构和属性信息，并且选择合适的表示学习输出策略可以显着提高算法的最终性能。在四个真实数据集上的实验表明，我们的方法始终优于最新的网络表示学习方法。在节点分类任务上，平均性能比最佳基准方法提高了4.52％–10.28％。在链接预测任务上，平均性能比最佳基准方法高4.63％。我们模型框架中的邻居修改后的Skip-Gram模型可以有效且无缝地集成网络拓扑结构和属性信息，并且选择合适的表示学习输出策略可以显着提高算法的最终性能。在四个真实数据集上的实验表明，我们的方法始终优于最新的网络表示学习方法。在节点分类任务上，平均性能比最佳基准方法提高了4.52％–10.28％。在链接预测任务上，平均性能比最佳基准方法高4.63％。并且选择合适的表示学习输出策略可以显着提高算法的最终性能。在四个真实数据集上的实验表明，我们的方法始终优于最新的网络表示学习方法。在节点分类任务上，平均性能比最佳基准方法提高了4.52％–10.28％。在链接预测任务上，平均性能比最佳基准方法高4.63％。并且选择合适的表示学习输出策略可以显着提高算法的最终性能。在四个真实数据集上的实验表明，我们的方法始终优于最新的网络表示学习方法。在节点分类任务上，平均性能比最佳基准方法提高了4.52％–10.28％。在链接预测任务上，平均性能比最佳基准方法高4.63％。