节点2VEC

node2vec：网络的可扩展特征学习。网络中节点和边缘的预测任务需要仔细研究学习算法所使用的工程特征。近年来，在表征学习这一更广泛领域的研究已经在通过学习特征本身实现预测自动化方面取得了重大进展。然而，现有的特征学习方法对于捕捉网络中观察到的连通模式的多样性还不够充分。这里我们提出了node2vec，一个学习网络中节点连续特征表示的算法框架。在node2vec中，我们学习了节点到低维特征空间的映射，从而最大限度地保留节点的网络邻域。我们定义了一个灵活的节点邻域概念，并设计了一个有偏随机游走过程，有效地探索了不同的邻域。我们的算法推广了基于严格的网络邻域概念的先前工作，并且我们认为在探索邻域时增加灵活性是学习更丰富表示的关键。我们证明了node2vec在多个不同领域的实际网络中对多标签分类和链路预测的有效性。综上所述，我们的工作代表了一种在复杂网络中高效学习与任务无关的表示的新方法。