第4期 杨宇迪，等：异质信息网络中基于网络嵌入的影响力最大化 ·759· HIN2Vec模型旨在通过最大程度地联合预测 Mary 节点之间关系的可能性来学习节点向量和关系向 量。模型采用一对节点x和y,以及某种关系 reR的one-hot向量x、y和r作为输入，通过神经 Bob 网络将x、y和r转化为隐藏层中的潜向量Wx Wy和6(Wgr)(HN中关系和节点的语义含义不 同，所以关系向量r通过正则化转化为fo(Wr), Lily 限制r的值在0到1之间)，在输出层通过Sigmoid (∑Wx⊙VTyO for(Wr)实现逻辑分类（⊙表示逐 图1同质网络示例 Fig.1 Example of a homogeneous network 元素相乘)。通过HN2Vec,HN中的每个节点转 换为同一向量空间的低维度潜在表示，在捕获和 表示HIN中的丰富信息的同时，有效避免了 HN中不同类型节点和关系的不兼容性，便于度 量不同类型节点的社会影响力以选取初始扩散种 子集。 Bob P4 2.2影响力度量 Ada HN中，一个对象的社会影响力通常不仅体 Tom Lily 现于紧密的直接联系，还体现在节点的间接联 系。HN中社会影响的相关定义如下： 目 定义3直接间接影响力。给定异质信息网 作者 会议 论文 络G中的对象4、v,若对象u和v之间有边相连， 图2异质网络示例 即en=1,则De)表示对象u和对象v间的直接 Fig.2 Example of a HIN 影响力：若对象“和v之间没有边直接相连，即 2.1HN嵌入 em=0,则II()表示对象u和对象v间的间接影 本文使用HN2Vec模型2实现HIN嵌入。 响力。 8图 &盟D John Tom PI 6 岛羽 JIm Mike P2 ●论文O会议●作者 ◆醒 ◆2 厨 C2 P3 嵌人 度量 最大化 0 Mike 组合 JimP2 C2 Tom 春4刀 日046 Mike John P3 会议论文 作者 会议论文 作者 404▣ 6 Tom Mike ◇中 自纳 PI (a)异质信息网络的例子 (b)异质信息网络嵌入 (©)社会影响力度量 (d)影响力最大化 图3MNE模型的具体框架 Fig.3 The specific framework of the IMNE model 定义4全局影响力。给定异质信息网络G力。NE算法考虑了不同类型对象之间的影响 中的节点山，若节点“在整个网络中具有影响力，（如作者对论文的影响或论文对作者的影响），通 那么I被定义为节点“在G上的全局影响力。 常具有影响力的对象其相关行为也具有影响力。 全局影响力与直接间接影响力有着密切关 例如，在数据挖掘领域具有较强影响力的研究人 系。如果对象具有很强的直接和间接影响力，则 员，他发表的论文在数据挖掘领域通常也具有较 该对象通常在社会网络中具有较强的全局影响 高的影响力。Mary Bob Lily Ada Tom 图 1 同质网络示例 Fig. 1 Example of a homogeneous network P1 P4 P3 P6 Mary Bob Lily Ada Tom P5 C1 作者 会议 论文 P2 P7 图 2 异质网络示例 Fig. 2 Example of a HIN 2.1 HIN 嵌入 本文使用 HIN2Vec 模型[23] 实现 HIN 嵌入。 x y r ∈ R x y r x y r WT X x WT Y y f01(WT R r) r f01(WT R r) r Sigmoid ( ∑ WT X x⊙WT Y y⊙ f01(WT R r)) ⊙ HIN2Vec 模型旨在通过最大程度地联合预测 节点之间关系的可能性来学习节点向量和关系向 量。模型采用一对节点 和 ，以及某种关系 的 one-hot 向量 、 和 作为输入，通过神经 网络将 、 和 转化为隐藏层中的潜向量 、 和 (HIN 中关系和节点的语义含义不 同，所以关系向量 通过正则化转化为 ， 限制 的值在 0 到 1 之间)，在输出层通过 实现逻辑分类 ( 表示逐 元素相乘)。通过 HIN2Vec，HIN 中的每个节点转 换为同一向量空间的低维度潜在表示，在捕获和 表 示 H IN 中的丰富信息的同时，有效避免 了 HIN 中不同类型节点和关系的不兼容性，便于度 量不同类型节点的社会影响力以选取初始扩散种 子集。 2.2 影响力度量 HIN 中，一个对象的社会影响力通常不仅体 现于紧密的直接联系，还体现在节点的间接联 系。HIN 中社会影响的相关定义如下： G u v u v euv = 1 Deu(v) u v u v euv = 0 IIu(v) u v 定义 3 直接/间接影响力。给定异质信息网 络 中的对象 、 ，若对象 和 之间有边相连， 即 ，则 表示对象 和对象 间的直接 影响力；若对象 和 之间没有边直接相连，即 ，则 表示对象 和对象 间的间接影 响力。 嵌入 度量 最大化 Jim Tom John P1 论文 作者 会议 P2 Mike C1 P3 C2 John Tom Jim Mike P1 P2 C1 P3 C2 会议 论文 作者 John Tom Jim Mike P1 P2 C1 P3 C2 会议 论文 作者 (a) 异质信息网络的例子 (b) 异质信息网络嵌入 (c) 社会影响力度量 (d) 影响力最大化 John JIm 0.5 0.3 0.3 0.7 0.6 0.2 0.5 0.4 Tom 0.3 0.7 Mike 0.6 0.2 C2 0.3 0.7 0.3 0.7 P1 P2 0.5 0.3 P3 John 0.42 0.44 Tom 0.46 C1 0.46 P3 0.42 Mike 0.44 P1 … C1 组合 图 3 IMNE 模型的具体框架 Fig. 3 The specific framework of the IMNE model G u u Iu u G 定义 4 全局影响力。给定异质信息网络 中的节点 ，若节点 在整个网络中具有影响力， 那么 被定义为节点 在 上的全局影响力。 全局影响力与直接/间接影响力有着密切关 系。如果对象具有很强的直接和间接影响力，则 该对象通常在社会网络中具有较强的全局影响 力。IMNE 算法考虑了不同类型对象之间的影响 (如作者对论文的影响或论文对作者的影响)，通 常具有影响力的对象其相关行为也具有影响力。 例如，在数据挖掘领域具有较强影响力的研究人 员，他发表的论文在数据挖掘领域通常也具有较 高的影响力。 第 4 期 杨宇迪，等：异质信息网络中基于网络嵌入的影响力最大化 ·759·