網絡表示學習的研究與發展1

尹贏，吉立新，黃瑞陽，杜立新

?

網絡表示學習的研究與發展1

尹贏1，吉立新1，黃瑞陽1，杜立新2

（1. 國家數字交換系統工程技術研究中心，河南 鄭州 450003； 2. 解放軍63898部隊，河南 洛陽 471003）

網絡表示學習旨在將網絡中的節點表示成低維稠密且具有一定推理能力的向量，以運用于節點分類、社區發現和鏈路預測等社交網絡應用任務中，是連接網絡原始數據和網絡應用任務的橋梁。傳統的網絡表示學習方法都是針對網絡中節點和連邊只有一種類型的同質信息網絡的表示學習方法，而現實世界中的網絡往往是具有多種節點和連邊類型的異質信息網絡。而且，從時間維度上來看，網絡是不斷變化的。因此，網絡表示學習的研究方法隨著網絡數據的復雜化而不斷變化。對近年來針對不同網絡的網絡表示學習方法進行了分類介紹，并闡述了網絡表示學習的應用場景。

大規模信息網絡；網絡表示學習；網絡嵌入；深度學習

1 引言

在大數據時代，網絡數據在現實世界中無處不在。針對網絡數據的研究與分析，已經受到社會各界的廣泛關注。復雜而龐大的網絡數據往往難以處理，將網絡數據表示成一種高效合理的形式，并將其運用于節點分類、社區發現、鏈路預測和網絡可視化等應用任務中，對解決現實網絡中的實際應用問題具有重要意義。例如，在社交網絡中，可以通過節點分類方法對用戶進行分類來構建用戶推薦系統；在通信網絡中，可以通過社區發現來觀察輿情傳播進程；在生物網絡中，可以通過鏈路預測推測蛋白質之間可能存在的相互作用關系以推動疾病的治療。這些網絡分析方法都依賴于網絡的表示方式，通常利用網絡鄰接矩陣或者由網絡中節點和連邊構成的圖來表示網絡。但是，這樣簡單的表示方式往往存在以下問題。

1) 連邊導致計算復雜度高

網絡通常由節點集和連邊集組成，節點代表實體對象，而連邊則反映出節點間的關聯關系。連邊的存在使大多數網絡處理器或網絡分析算法是迭代的或組合爆炸的。例如，用兩個節點之間的最短路徑長度或平均路徑長度表示它們之間的距離。要想使用傳統的網絡表示方法計算這樣的距離，必須枚舉出2個節點之間的所有可能路徑，從本質上看，這是一個組合問題，計算復雜度高。因此，傳統的網絡表示方法不再適用。

2) 數據樣本相互耦合導致低并行性

以傳統方式表示的網絡數據給并行和分布式算法的設計和實現帶來了很大的困難。研究的難點在于：網絡中由連邊連接的節點彼此耦合，若將不同的節點分布在不同的計算單元上進行處理，往往會造成服務器之間高昂的通信代價。雖然通過對大規模圖形進行巧妙分割得到子圖，使并行化性得到一定的提高，但這種方法在很大程度上依賴于網絡圖形的拓撲特性。

3) 機器學習方法不適用

近年來，機器學習方法（特別是深度學習方法）在很多領域都有應用，并且取得了不錯的效果。這些方法針對各類問題都提供了標準的、通用的、有效的解決途徑。但對于傳統網絡數據的表示，大多數現有的機器學習方法往往是不適用的。雖然可以簡單地用網絡鄰接矩陣中節點對應的行向量來表示該節點。但是這種表示往往具有很高的維度，使后續的網絡處理和分析變得十分困難。

為了解決傳統方法的缺陷，研究學者提出了一種新的網絡表示方式：將網絡中的節點表示成具有一定推理能力的向量映射到低維空間中，旨在以更加直觀高效的方式盡可能地保留節點間的原始關系，從而便捷地作為機器學習模型的輸入，運用于節點分類、鏈路預測和社區發現等社交網絡分析應用中。將節點表示成向量映射到低維空間中，向量間的距離反映出原始網絡中節點間的連邊關系。這就解決了由網絡中的連邊帶來的一系列網絡分析問題。同時，這種網絡表示方式不需要人工標注網絡特征，而是自動從原始網絡數據中提取出有用的網絡表征，能夠很好地保留原始網絡中的信息實現網絡重構。

2 網絡表示學習的基本定義

3 網絡表示學習方法介紹

隨著網絡的規模化和復雜化，如何分析網絡中包含的豐富信息是一項非常重要的研究任務。網絡表示學習將網絡中的節點表示成向量映射到低維空間，可以將其作為機器學習算法的輸入來挖掘網絡數據中蘊含的豐富信息。現有的網絡表示學習方法主要針對同質信息網絡和異質信息網絡。接下來分別對基于這兩種網絡的表示學習方法進行分析。

3.1 針對同質信息網絡的表示學習方法

基于網絡表示學習方法所考慮的網絡信息內容，本節將同質信息網絡的表示學習方法分為兩類：基于網絡結構的網絡表示學習和結合外部信息的網絡表示學習。

圖1 異質信息網絡實例

3.1.1 基于網絡結構的同質網絡表示學習

網絡結構可以劃分為以不同粒度呈現的不同組。網絡表示學習中常用的網絡結構包括鄰域結構、高階節點鄰近結構和網絡社團。依據算法基于的不同方法將其分為3類：基于矩陣特征向量和矩陣分解的方法、基于淺層神經網絡的方法和基于深度學習的方法。

基于矩陣特征向量和矩陣分解的方法：早期的網絡表示學習算法大多是基于矩陣特征向量和矩陣分解的方法，Saul等[2-3]提出局部線性表示，通過鄰居節點的線性組合來表示當前節點，算法假設節點與其鄰居節點位于同一流形區域。當前節點可表示為

基于淺層神經網絡的方法：受自然語言處理中Word2vec算法[11]的啟發，Perozzi等[12]提出了DeepWalk算法用于學習網絡中的節點表示，DeepWalk通過隨機游走遍歷網絡中的節點，從而得到一個有序的節點序列，該過程實際是對網絡中的節點進行采樣的過程，在隨機游走過程中，節點越鄰近，共現的概率越大；在通過隨機游走得到節點序列以后，該算法利用skip-gram模型由單個節點預測前后序列，學習得到該節點的向量表示。Grover等[13]提出的node2vec改進了DeepWalk中的隨機游走過程。DeepWalk選取隨機游走序列中下一個節點的方式是均勻隨機分布的，而Node2vec通過引入兩個參數和，將寬度優先搜索和深度優先搜索引入了隨機游走序列的生成過程。寬度優先搜索注重鄰近節點并刻畫了相對局部的一種網絡表示，而深度優先搜索則反映了更高層面上節點間的同質性。Tang等[14]提出的LINE算法能夠處理任意類型的大規模網絡，包括有向和無向、有權重和無權重。該算法保留了網絡中節點的一階相似性和二階相似性。一階相似性是指有連邊的節點之間的相似性，主要由連邊權重決定，沒有連邊的節點間的相似性則為0。二階相似性是指節點的鄰近網絡結構的相似性，若2個節點沒有共同的一階鄰居，則二階相似性為0。如圖2所示，節點5和6的一階相似性為0，但二者具有很強的二階相似性，節點6和7具有一階相似性但不具備二階相似性。一階相似性和二階相似性互補，使該算法能夠很好地保留網絡的局部結構和全局結構。

基于深度學習的方法：SDNE算法[15]利用深度神經網絡對網絡的表示學習進行建模，該半監督的深度學習模型由多重的非線性映射函數組成，將輸入的節點映射到高度非線性空間中以獲取網絡的結構信息。模型如圖3所示，主要由兩部分組成：一是由拉普拉斯矩陣監督的能保留局部信息的一階相似度模塊，二是基于無監督深度自編碼器的能保留全局信息的二階相似度模塊。

圖2 一階相似性和二階相似性實例

模型將一階相似度和二階相似度結合來同時保留網絡結構的局部信息和全局信息，其目標函數可表示為

不同于傳統的直推式網絡表示學習算法，Hamilton等[16]提出一種適用于大規模網絡的歸納式學習方法GraphSAGE。該算法通過聚集采樣到的鄰居節點表示來更新當前節點的特征表示，而不是像直推式方法將每個節點單獨進行訓練。在聚類過程中，網絡第層聚集到的鄰居即為寬度優先搜索（BFS）過程中第層的鄰居。同時，作者在算法中利用了3種聚類策略：Mean、LSTM和MaxPooling。

圖3 SDNE算法模型框架

表1 算法適用網絡及實驗數據集

總之，判別器和生成器的訓練過程是一個最大最小相互制約的過程，算法的目標函數可表示為

常見的基于網絡結構的同質網絡表示學習方法如表1所示。

3.1.2 結合外部信息的同質網絡表示學習

傳統的網絡表示學習方法都是基于網絡拓撲結構的方法，但除了網絡拓撲結構，網絡還包括標簽和文本等重要的外部信息，這些外部信息也是網絡表示學習的一個重要研究內容。

為了適應節點分類等機器學習任務，Tu等[18]提出了針對帶標簽網絡的半監督網絡表示學習模型MMDW。該模型基于矩陣分解，利用SVM 分類器和節點的標簽信息來尋找優化的分類邊界。通過優化SVM最大間隔分類器和轉換為矩陣因子分解形式的DeepWalk模型，MMDW模型能學習到包含網絡結構信息和標簽信息的節點表示。

在網絡數據中，節點除了包含標簽信息，還包含一些文本信息。這些文本信息也可以作為網絡信息的補充，有助于進行更加合理適用的網絡表示學習。TADW[19]基于矩陣分解將節點的文本信息引入網絡表示學習中，TADW模型框架如圖4所示。

圖4 TADW模型框架

模型將關系矩陣分解為、、這3個矩陣的乘積。其中，表示文本特征矩陣，和表示參數矩陣，算法通過梯度下降法來迭代更新參數矩陣。模型的目標函數可表示為

但是TADW算法的計算代價很高，而且算法只是將節點屬性進行簡單結合，這就造成了網絡中語義信息的大量丟失。Sun等[20]提出一種新的CENE算法，將節點內容視為一種特殊的節點來擴展網絡，如圖5所示。擴展的網絡中包含兩種節點：原始網絡節點和構造的“節點內容”節點。基于不同節點，擴展的網絡也包括兩種邊：原始節點之間的連邊和原始節點與“節點內容”之間的連邊。算法使用邏輯回歸函數學習擴展的網絡，并通過負采樣的方法優化目標函數。通過該算法得到的網絡表示不僅可以保留網絡結構特征，還可以保留節點和內容之間的語義信息。

Pan等提出一個能結合網絡結構、節點內容和節點標簽這3種網絡信息的深度學習模型TriDNR[21]，模型結構如圖6所示，其目標函數可表示為

類似于DeepWalk模型，該模型通過隨機游走生成節點的表示向量來保留節點在結構上的相似性；然后用另一個神經網絡學習節點上下文的相關性；同時，將節點標簽作為輸入，直接在標簽和上下文之間建模來學習標簽向量和單詞向量。

常見的結合外部信息的同質信息網絡表示學習算法如表2所示。

表2 算法適用網絡及實驗數據集

3.2 針對異質信息網絡的表示學習方法

早期的網絡表示學習算法是針對節點和邊類型只有一種的同質信息網絡，而將所有節點和連邊視為同一類的同質網絡忽略了網絡中豐富的語義信息，并不能有效地反映現實世界中的網絡。類型化、半結構化的異質信息網絡建模可以捕獲真實世界中最根本的語義信息[22]。目前，針對異質信息網絡的表示學習方法研究相對較少，主要分為3類：基于隨機游走的方法、基于分解的方法和結合應用任務的方法。

1) 基于隨機游走的方法

Yu等[23]受同質網絡中Node2vec算法的啟發，提出了Metapath2vec算法，該方法通過在異質信息網絡中進行隨機游走來獲取節點的鄰居節點集合。不同于同質信息網絡中的隨機游走，Metapath2vec算法中的隨機游走是在元路徑[24]的指導下進行的，其跳轉概率為

基于元路徑進行隨機游走得到的節點序列，不僅包含網絡的結構信息，還包含網絡中的語義信息。在得到節點序列之后，算法利用skip-gram模型得到節點的向量表示，并采用負采樣的方法更新式(12)的目標函數。

Metapath2vec算法在利用softmax函數進行歸一化時，并沒有考慮節點的類型，而是和同質網絡表示學習算法DeepWalk、Node2vec的處理方式一樣，是將所有節點的特征表示之和作為softmax函數的分母。作者在提出Metapath2vec的同時，提出了Metapath2vec++[23]，該算法在Metapath2vec的基礎上改進了softmax函數，如式(13)所示。Metapath2vec++對不同類型的節點分別進行歸一化，相當于在淺層神經網絡的輸出層根據節點類型將整個異質信息網絡分解成不同的同質信息網絡。通過Metapath2vec++得到的節點表示在運用節點分類、聚類和相似性搜索等應用任務時，具有更高的精度和可靠性。

2) 基于分解的方法

從網絡分解的角度對異質信息網絡進行表示學習，往往有化繁為簡的效果。Tang等提出的PTE算法[25]，將包含詞、文件、標簽這3種節點類型的文本信息網絡分解成3個不同的子網絡：詞?詞網絡、詞?文件網絡、詞?標簽網絡。然后對這3個不同的網絡進行表示學習，得到不同類型節點的向量表示。Shi等提出的HERec[26]模型基于元路徑從異質信息網絡中抽取出同類節點序列，相當于從異質信息網絡中抽取出多個同質信息網絡。基于不同元路徑，該模型抽取出的同類節點序列有所不同。算法將基于不同元路徑抽取出的同類節點分別進行表示學習，然后利用融合函數對節點的不同表示進行融合，并將向量整合到矩陣分解模型中，通過矩陣分解模型和融合函數一起對預測任務進行聯合優化。該方法與基于卷積神經網絡的監督方法相比調整參數更少。

3) 結合應用任務的方法

異質信息網絡表示學習算法常和具體的數據挖掘任務相結合，Sun等[27]首先提出基于元路徑評估異質信息網絡中節點間相似性的算法PathSim，該算法基于對稱元路徑，可測量異質信息網絡中同類型對象間的相似程度。Sun等[28]提出的Pathselclus算法利用用戶提供的種子作為聚類的先驗知識，提出一個基于聚類的生成模型來模擬節點間關系的生成，并通過評估元路徑關系矩陣與基于先驗知識的聚類結果的一致性來優化元路徑權重和聚類效果。也有算法用于異質信息網絡的節點分類，Luo等[29]提出的HetPathMine算法通過構建元路徑選擇模型來將異質信息網絡中帶標簽的數據進行分類。Kong等[30]提出了一種適用于大規模網絡的基于元路徑的分類算法，該算法考慮了不同元路徑所蘊含的不同語義，以捕獲不同連接類型對實體對象間關聯程度的影響，從而有效地對異質網絡進行大規模集體分類。Fu等[31]提出的HIN2vec利用神經網絡模型來實現異質信息網絡中節點和邊的表示。學習到的向量可以直接用于鏈路預測任務，并具有很好的效果。

4 應用場景

常見的網絡表示學習應用場景主要有節點分類、鏈路預測、社區發現和可視化等。

1) 節點分類

在進行網絡數據處理時，往往需要將網絡中的節點進行合理分類。例如，在社交網絡中，可以根據用戶的興趣愛好對用戶分類以進行相關推薦。用戶的興趣愛好是將用戶進行分類的類別標注信息，是對用戶進行分類的依據。然而實際數據中的類別標注信息十分稀疏，可以利用網絡表示學習算法來對節點進行編碼，使在標注信息很少的情況下也能得到很好的分類效果。

2) 鏈路預測

鏈路預測是指對網絡中丟失的邊或者潛在的邊進行預測，可以幫助分析數據缺失的網絡以及網絡的演化，其在現實生活中具有廣泛的運用。例如，可以利用鏈路預測方法基于當前網絡結構預測可能成為朋友的用戶，從而對用戶進行好友推薦。鏈路預測的常見評價指標為AUC值，當在樣本集中隨機挑選一個正樣本以及一個負樣本，分類算法根據計算得到的正樣本分數值高于負樣本分數值的概率就是AUC值。

3) 社區發現

社區發現是指將網絡中相似的節點劃分到同一社區，與節點分類的不同之處在于，社區發現不依靠任何標記的數據，而是直接對網絡中的節點進行無監督的聚類。社區發現是一個自由度較高的網絡應用任務，可以結合網絡表示學習利用社區發現算法對網絡中的用戶進行自動分組。

4) 可視化

可視化是指利用一定的計算機技術將數據轉換成圖形或者圖像直觀地呈現出來，從而清晰有效地表達出信息。通過網絡表示學習，可以在低維向量空間得到網絡節點的表示向量，而這些向量可以直接用于網絡的可視化，使網絡可視化變得高效便捷。

5 結束語

網絡表示學習的研究方法隨著網絡數據的復雜化而不斷變化，保留網絡結構和網絡屬性是網絡表示學習的基礎。如果網絡表示學習方法沒有很好地保留網絡結構和屬性，那么當節點映射到低維向量空間中時，會造成嚴重的信息丟失。此外，也可以考慮將某些領域知識作為高級信息來輔助網絡表示學習。從現有的網絡表示學習工作來看，該領域是一個新興的且非常具有前景的研究方向。近年來，網絡表示學習取得了豐碩的研究成果，但仍存在以下挑戰。

1) 現實網絡是蘊含龐大數據量的大規模復雜網絡，如何高效處理這些龐大的數據，是網絡表示學習亟待解決的一個難點。

2) 動態網絡的研究相對較少，如何從時間維度上綜合考慮網絡的重構是網絡表示學習一個研究難點。

3) 現有的網絡表示學習算法只能適用于一般的網絡應用任務，如節點分類和鏈路預測等，這些方法主要針對一般的網絡結構，對一些具體的網絡應用任務可能并不適用。

[1] SUN Y, HAN J. Mining heterogeneous information networks: a structural analysis approach[J]. ACM Sigkdd Explorations Newsletter, 2013, 14(2): 20-28.

[2] ROWEIS S T, SAUL L K. Nonlinear dimensionality reduction by locally linear embedding[J]. Science, 2000, 290(5500): 2323-2326.

[3] SAUL L K, ROWEIS S T. An introduction to locally linear embedding[J]. Journal of Machine Learning Research, 2008.

[4] BELKIN M, NIYOGI P. Laplacian eigenmaps and spectral techniques for embedding and clustering[J]. Advances in Neural Information Processing Systems, 2002, 14(6): 585-591.

[5] HE X, NIYOGI P. Locality preserving projections[C]//Advances in Neural Information Processing Systems. 2004: 153-160.

[6] AHMED A, SHERVASHIDZE N, NARAYANAMURTHY S, et al. Distributed large-scale natural graph factorization[C]// International Conference on World Wide Web. ACM, 2013: 37-48.

[7] CAO S, LU W, XU Q. GraRep: learning graph representations with global structural information[C]//ACM International on Conference on Information and Knowledge Management. 2015: 891-900.

[8] CHENG W, GREAVES C, WARREN M. From-gram to skipgram to concgram[J]. International Journal of Corpus Linguistics, 2006, 11(4):411-433.

[9] OU M, CUI P, PEI J, et al. Asymmetric transitivity preserving graph embedding[C]//The 22nd ACM SIGKDD international conference on Knowledge discovery and data mining. 2016: 1105-1114.

[10] KATZ L. A new status index derived from sociometric analysis[J]. Psychometrika, 1953, 18(1): 39-43.

[11] MIKOLOV T, CHEN K, CORRADO G, et al. Efficient estimation of word representations in vector space[J]. Computer Science, 2013.

[12] PEROZZI B, AL-RFOU R, SKIENA S. DeepWalk:online learning of social representations[C]//ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2014: 701-710.

[13] GROVER A, LESKOVEC J. node2vec: scalable feature learning for networks[C]//The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016: 855-864.

[14] TANG J, QU M, WANG M, et al. LINE: large-scale information network embedding[C]//International Conference on World Wide Web. International World Wide Web Conferences Steering Committee, 2015: 1067-1077.

[15] WANG D, CUI P, ZHU W. structural deep network embedding[C]//ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016: 1225-1234.

[16] HAMILTON W, YING Z, LESKOVEC J. Inductive representation learning on large graphs[C]//Advances in Neural Information Processing Systems. 2017: 1024-1034.

[17] WANG H, WANG J, WANG J, et al. GraphGAN: graph representation learning with generative adversarial nets[C]//Thirty-Second AAAI Conference on Artificial Intelligence. 2018.

[18] TU C, ZHANG W, LIU Z, et al. Max-margin DeepWalk: discriminative learning of network representation[C]//International Joint Conference on Artificial Intelligence. AAAI Press, 2016. 3889: 3895.

[19] YANG C, ZHAO D, ZHAO D, et al. Network representation learning with rich text information[C]// International Conference on Artificial Intelligence. AAAI Press, 2015: 2111-2117.

[20] SUN X, GUO J, DING X, et al. A general framework for content-enhanced network representation learning[J]. arXiv preprint arXiv:1610.02906,2016.

[21] PAN S, WU J, ZHU X, et al. Tri-party deep network representation[C]//International Joint Conference on Artificial Intelligence. AAAI Press, 2016:1895-1901.

[22] 孫藝洲, 韓家煒. 異構信息網絡挖掘原理與方法[M]. 北京: 機械工業出版社, 2016,2. SUN Y Z, HAN J W. Principles and methods of heterogeneous information network mining[M]. Beijing: Machinery Industry Press, 2016.

[23] DONG Y, CHAWLA N V , SWAMI A, et al. metapath2vec: scalable representation learning for heterogeneous networks[C]// ACM Sigkdd International Conference on Knowledge Discovery & Data Mining. 2017:135-144.

[24] SUN G, ZHANG X. Graph embedding with rich information through heterogeneous network[J]. arXiv preprint arXiv: 1710.06879, 2017.

[25] TANG J, QU M, MEI Q. Pte: Predictive text embedding through large-scale heterogeneous text networks[C]//The 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2015: 1165-1174.

[26] SHI C, HU B, ZHAO X, et al. Heterogeneous information network embedding for recommendation[J]. IEEE Transactions on Knowledge and Data Engineering, 2019, 31(2): 357-370.

[27] SUN Y, HAN J, YAN X, et al. Pathsim: meta path-based top-similarity search in heterogeneous information networks[J]. Proceedings of the VLDB Endowment, 2011, 4(11): 992-1003.

[28] SUN Y, NORICK B, HAN J, et al. PathSelClus: integrating meta-path selection with user-guided object clustering in heterogeneous information networks[J]. ACM Transactions on Knowledge Discovery from Data, 2013, 7(3): 1-23.

[29] LUO C, GUAN R, WANG Z, et al. Hetpathmine: a novel transductive classification algorithm on heterogeneous information networks[C]//European Conference on Information Retrieval. 2014: 210-221.

[30] KONG X, YU P S, DING Y, et al. Meta path-based collective classification in heterogeneous information networks[J]. 2012: 1567-1571.

[31] FU T Y, LEE W C, LEI Z. HIN2Vec: explore meta-paths in heterogeneous information networks for representation learning[C]//ACM, 2017: 1797-1806.

Research and development of network representation learning

YIN Ying1, JI Lixin1, HUANG Ruiyang1, DU Lixin2

1. China National Digital Switching System Engineering & Technological Center, Zhengzhou 450003, China 2. The 63898 Troop of PLA, Luoyang 471003, China

Network representation learning is a bridge between network raw data and network application tasks which aims to map nodes in the network to vectors in the low-dimensional space. These vectors can be used as input to the machine learning model for social network application tasks such as node classification, community discovery, and link prediction. The traditional network representation learning methods are based on homogeneous information network. In the real world, the network is often heterogeneous with multiple types of nodes and edges. Moreover, from the perspective of time, the network is constantly changing. Therefore, the research method of network representation learning is continuously optimized with the complexity of network data. Different kinds of network representation learning methods based on different networks were introduced and the application scenarios of network representation learning were expounded.

large-scale information network, network representation learning, network embedding, deep learning

The National Natural Science Foundation for Creative Research Groups of China(No.61521003)

TP391.4

A

10.11959/j.issn.2096-109x.2019019

尹贏（1994? ），女，四川綿竹人，國家數字交換系統工程技術研究中心碩士生，主要研究方向為復雜網絡、網絡表示學習。

吉立新（1969? ），男，江蘇淮安人，國家數字交換系統工程技術研究中心研究員，主要研究方向為通信網信息安全。

黃瑞陽（1986? ），男，福建漳州人，國家數字交換系統工程技術研究中心助理研究員，主要研究方向為文本挖掘、圖挖掘。

杜立新（1996? ），男，甘肅武威人，主要研究方向為大數據分析。

2018?10?25；

2018?12?20

尹贏，15883880517@163.com

國家自然科學基金創新群體資助項目（No.61521003）

尹贏, 吉立新, 黃瑞陽, 等. 網絡表示學習的研究與發展[J]. 網絡與信息安全學報, 2019, 5(2): 77-87.

YIN Y, JI L X, HUANG R Y, et al. Research and development of network representation learning[J]. Chinese Journal of Network and Information Security, 2019, 5(2): 77-87.