Network embedding has attracted an increasing attention over the past few years. As an effective approach to solve graph mining problems, network embedding aims to learn a low-dimensional feature vector representation for each node of a given network. The vast majority of existing network embedding algorithms, however, are only designed for unsigned networks, and the signed networks containing both positive and negative links, have pretty distinct properties from the unsigned counterpart. In this paper, we propose a deep network embedding model to learn the low-dimensional node vector representations with structural balance preservation for the signed networks. The model employs a semisupervised stacked auto-encoder to reconstruct the adjacency connections of a given signed network. As the adjacency connections are overwhelmingly positive in the real-world signed networks, we impose a larger penalty to make the auto-encoder focus more on reconstructing the scarce negative links than the abundant positive links. In addition, to preserve the structural balance property of signed networks, we design the pairwise constraints to make the positively connected nodes much closer than the negatively connected nodes in the embedding space. Based on the network representations learned by the proposed model, we conduct link sign prediction and community detection in signed networks. Extensive experimental results in real-world datasets demonstrate the superiority of the proposed model over the state-of-the-art network embedding algorithms for graph representation learning in signed networks.

中文翻译：

---

深度网络嵌入用于签名网络中的图形表示学习

在过去的几年中，网络嵌入已引起越来越多的关注。作为解决图挖掘问题的有效方法，网络嵌入旨在为给定网络的每个节点学习低维特征向量表示。但是，绝大多数现有的网络嵌入算法仅设计用于未签名的网络，并且包含正向和负向链接的已签名网络与未签名的对应网络具有截然不同的属性。在本文中，我们提出了一种深度网络嵌入模型，以学习具有签名结构的网络的结构平衡保持的低维节点矢量表示。该模型采用半监督堆叠式自动编码器来重构给定签名网络的邻接连接。由于在现实世界中签名网络中的邻接连接绝大多数都是正的，因此我们施加了较大的惩罚，以使自动编码器比起大量的正向链接，更多地专注于重建稀缺的负向链接。此外，为了保留签名网络的结构平衡属性，我们设计了成对约束，以使正连接节点比负连接节点在嵌入空间中更近。基于该模型学习到的网络表示，我们在签名网络中进行链路符号预测和社区检测。实际数据集中的大量实验结果证明了该模型相对于用于签名网络中图形表示学习的最新网络嵌入算法的优越性。我们会施加更大的惩罚，以使自动编码器比起大量的积极链接，更专注于重建稀缺的负面链接。另外，为了保留签名网络的结构平衡属性，我们设计成对约束，以使正连接节点比负连接节点在嵌入空间中更近。基于该模型学习到的网络表示，我们在签名网络中进行链路符号预测和社区检测。实际数据集中的大量实验结果证明了该模型相对于用于签名网络中图形表示学习的最新网络嵌入算法的优越性。我们会施加更大的惩罚，以使自动编码器比起大量的积极链接，更专注于重建稀缺的负面链接。另外，为了保留签名网络的结构平衡属性，我们设计成对约束，以使正连接节点比负连接节点在嵌入空间中更近。基于该模型学习到的网络表示，我们在签名网络中进行链路符号预测和社区检测。实际数据集中的大量实验结果证明了该模型相对于用于签名网络中图形表示学习的最新网络嵌入算法的优越性。为了保持签名网络的结构平衡特性，我们设计了成对约束，以使正连接节点比负连接节点在嵌入空间中更近。基于该模型学习到的网络表示，我们在签名网络中进行链路符号预测和社区检测。实际数据集中的大量实验结果证明了该模型相对于用于签名网络中图形表示学习的最新网络嵌入算法的优越性。为了保持签名网络的结构平衡特性，我们设计了成对约束，以使正连接节点比负连接节点在嵌入空间中更近。基于该模型学习到的网络表示，我们在签名网络中进行链路符号预测和社区检测。实际数据集中的大量实验结果证明了该模型相对于用于签名网络中图形表示学习的最新网络嵌入算法的优越性。我们在签名网络中进行链接符号预测和社区检测。实际数据集中的大量实验结果证明了该模型相对于用于签名网络中图形表示学习的最新网络嵌入算法的优越性。我们在签名网络中进行链接符号预测和社区检测。实际数据集中的大量实验结果证明了该模型相对于用于签名网络中图形表示学习的最新网络嵌入算法的优越性。