SDNE的自编码器结构，图拉普拉斯正则化的作用？
SDNE（Structural Deep Network Embedding）用深度自编码器学习节点嵌入：输入为节点 $u$ 的邻接向量 $\boldsymbol{s}u \in \mathbb{R}^{|V|}$（$s{u,v}=1$ 若 $(u,v) \in E$，否则为 0 或边权），经编码器（多层非线性）得到低维表示 $\boldsymbol{z}_u$，再经解码器重构为 $\hat{\boldsymbol{s}}_u$。无监督损失为重构误差，如 \(\mathcal{L}_{\text{recon}} = \sum_u \|\boldsymbol{s}_u - \hat{\boldsymbol{s}}_u\|^2.\) 编码器输出 $\boldsymbol{z}_u$ 即节点嵌入，既压缩了邻接信息，又通过非线性捕捉高阶结构。
若仅用重构损失，直接相连的节点可能学到相似邻接向量、从而相似嵌入，但一阶邻近未被显式约束。SDNE 加入一阶邻近的拉普拉斯正则：对每条边 $(u,v)$，约束 $\boldsymbol{z}_u$ 与 $\boldsymbol{z}_v$ 接近，即 \(\mathcal{L}_{\text{1st}} = \sum_{(u,v)} w_{uv} \|\boldsymbol{z}_u - \boldsymbol{z}_v\|^2 = \operatorname{tr}(\boldsymbol{Z}^\top \boldsymbol{L} \boldsymbol{Z}),\) 其中 $\boldsymbol{Z}$ 为嵌入矩阵，$\boldsymbol{L}$ 为图拉普拉斯矩阵（$L = D - A$ 或归一化形式）。该项使直接相连节点嵌入相近，与重构项（隐式保留邻接/二阶信息）互补。
总损失 $\mathcal{L} = \mathcal{L}{\text{recon}} + \alpha \mathcal{L}{\text{1st}}$。重构项保证嵌入保留邻接结构（二阶/高阶）；拉普拉斯项显式平滑一阶邻居，使图上的局部平滑性进入表示，提升链接预测与节点分类效果。
| 返回模块 | 返回总览 |