摘要：網(wǎng)絡(luò)表示學(xué)習(xí)的目標(biāo)是將網(wǎng)絡(luò)節(jié)點映射到一個低維的向量空間中,然后利用已有的機器學(xué)習(xí)方法解決諸如節(jié)點分類、鏈接預(yù)測、社團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。但是針對不同的應(yīng)用場景,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)點表示達到令人滿意的性能。在四個網(wǎng)絡(luò)(包括兩個社交網(wǎng)絡(luò),兩個引用網(wǎng)絡(luò))上的實驗結(jié)果表明,VANRL可以在節(jié)點分類和鏈路預(yù)測任務(wù)中獲得相對顯著的效果。