近日，我院博士生郑聪惠同学在人工智能领域著名期刊《IEEE Transactions on Neural Networks and Learning Systems 》(中科院1区，SCI IF=11.683)上发表了题为《Multimodal Deep Network Embedding With Integrated Structure and Attribute Information》的论文（论文于2020年5月刊出，链接见https://ieeexplore.ieee.org/document/8745502?source=authoralert）。IEEE TNNLS创办于1990年，属机器学习、信息科学、人工智能的交叉学科领域，是神经网络和学习系统方面的国际顶级杂志，也是中科院分区1区Top期刊。

图1. 多模态深度网络嵌入模型MDNE

该论文第一作者为郑聪惠同学，合作者包括助理研究员吴鹏博士等，通讯作者为潘理教授。论文致力于研究网络表示学习问题，提出了多模态深度网络嵌入模型（MDNE）模型，如图1所示。网络结构的数据在生活中无处不在，常见的比如社交网络、蛋白质网络、学术交流网络等等。随着大数据时代的到来，网络数据规模日益增长，给网络分析任务如节点分类、链路预测等等带来了严峻挑战。网络表示学习的目标是学习节点在低维空间中的表示向量，同时保持节点的有效特征。以低维的节点表示作为输入，能够大大降低后续网络分析任务的复杂度。文中提出MDNE，一种融合结构信息和属性信息的网络表示学习方法，基于多模态深度自编码器模型来提取网络高度非线性的结构以及与属性之间的非线性关系，通过改进的损失函数训练模型，学习得到的节点表示在低维空间中同时保持节点的结构特征和属性特征。除理论研究外，在多个真实社交网络数据集上的实验表明该论文提出的MDNE模型在不同的网络分析任务上都优于多数现有方法。