随着互联网的发展和便携式移动智能设备的普及,现代社会里每分每秒都在创造着浩如烟海的数据。网络是一种非常常见的用于表示实体之间关联的数据形式,且在现实生活中无处不在,其内容形式深入到了现代生活的各个领域。对网络进行研究首先需要获得一种良好的网络表示方法,使网络数据的分析和利用更加方便和高效。网络嵌入是一种构造出能良好表示网络潜在信息的技术,其目的是在保留原始网络潜在信息的前提下,将其转化为一个维度更低的向量表示,因而可以很好解决用图表示的网络数据难于应用到机器学习及计算复杂度高等问题。Deep Walk是一种网络嵌入方法,它利用随机游走的方法得到节点序列,再将这些节点序列作为输入,应用于词嵌入方法中,得到网络的低维向量表示。然而由于现实中的网络大多是不均衡的,即存在簇,且簇与簇之间可能只靠极少数节点相连接,而通过随机游走获取节点序列的方法在这样的网络中,初始点的选择对随机游走产生的节点序列有一定影响,很有可能出现只在某个簇内游走,导致该簇外节点不易被访问到的问题,从而使许多节点信息丢失,影响最终嵌入的结果。本文为了改善基于随机游走的网络嵌入在含有簇的网络中的上述局限性,通过对大量文献的阅读,利用多跳随机游走提出了一种网络嵌入的方法NEMRW(Network Embedding with Multi-hop Random Walk)。NEMRW首先加入多跳随机游走的方式来获取节点序列。多跳随机游走提高了访问节点时跳出簇的概率,因而可以有效地避免通过随机游走得到节点序列时,所存在的不易获得簇外节点信息等问题。然后,利用skip-gram模型,通过训练fake task最终得到skip-gram模型的隐藏层权重矩阵,即为嵌入结果。同时,NEMRW还利用word2vec中的负采样优化skip-gram模型。本文利用多跳随机游走增加簇外节点的访问概率,达到了增加节点序列所包含的节点信息的目的,使最终得到的低维向量在不均衡的网络上能保存更多信息,避免了基于随机游走的网络嵌入方法在含有簇网络上的局限性。本文最后利用多个数据集,使用本文提出的NEMRW方法进行了嵌入并得到最终嵌入结果,并将其与多种嵌入方法的嵌入结果应用于链路预测和节点分类任务进行对比。同时,用于实验的链路预测与节点分类任务,也正是本文NEMRW的应用场景,因此本文在每个具体任务的实验分析之前,介绍了NEMRW基于该项任务可以应用到实际解决问题的具体应用场景。另外本文还对NEMRW中多跳随机游走的跳数和嵌入维度两个参数进行了实验,讨论了其选择对实验结果的影响。最后,本文通过实验分析了NEMRW的收敛性。以上实验结果表明,本文所提出的方法效果优于其他baseline方法,进而说明本文所提出的网络嵌入方法在不均衡网络中能保存更多的原网络信息,从而更有助于网络数据在机器学习任务上的应用。