网络表示方法一般分为两种,传统的基于拓扑的网络表示通常直接使用邻接矩阵,该矩阵可能包含噪声或冗余信息。基于嵌入的网络表示旨在学习低维空间中节点的密集和连续表示,从而可以减少噪声或冗余信息,并保留固有结构信息。由于每个节点都由包含其感兴趣信息的向量表示,因此可以通过计算映射函数或距离度量来解决网络分析中的许多问题,从而避免高复杂性的操作。目前已有的网络表示学习方法大多只能针对网络的某一种性质进行学习,比如同质性,学习该性质的方法通常在链接预测和网络重构任务中表现较好。还有一些方法用来捕获节点的同构性,一般在节点重要性分类任务中表现很好。本文提出了基于随机游走的多粒度复杂网络表示学习方法,能同时捕获网络中的同构性和同质性。本文主要内容如下:提出了一种基于博弈论的多粒度网络表示学习方法。首先,根据全局结构特性对网络进行多粒度划分,在各粒层上计算层内相似性矩阵,在粒层间构建映射关系;然后结合传播动力学的思想,将网络中的节点作为博弈个体,通过构建收益矩阵实现动态随机游走;最后,使用自然语言处理模型Skip-Gram对节点序列进行训练,通过最大化节点共现的概率来调整参数,以获得具有语义信息的低维向量表示。提出了一种基于同构性和同质性的模糊分层网络表达方法。首先,为了更好地捕获网络中的节点重要性语义,提出了模糊k核分解方法;然后,基于传染病模型,将随机游走过程类比为信息传播的过程,在多粒度图上生成有偏随机游走的节点序列;最后,根据全局节点共现的统计信息,使用Glove模型来学习节点的向量表示。实验结果表明,本文所提模型在多个实验中都有很好的表现。在分类、聚类、链接预测和可视化等多个实验中,本文模型在多项指标上都要优于对比方法。最后,本文以一个社交网络为例,分析了模型处理实际网络的能力。