异构网络的离线聚类与异常检测

20/23异构网络的离线聚类与异常检测第一部分异构网络离线聚类算法设计 2第二部分异常样本识别与检测策略 5第三部分图嵌入技术在异构网络聚类中的应用 8第四部分基于层次结构的异构网络分层聚类 10第五部分社群挖掘算法在异构网络聚类中的拓展 13第六部分异构网络中节点角色识别与异常检测 15第七部分异构网络中局部邻域协同聚类与异常识别 17第八部分异构网络中基于流形学习的聚类与异常检测 20

第一部分异构网络离线聚类算法设计关键词关键要点异构网络划分聚类方法

1.根据网络结构和属性将异构网络划分为不同的子网络，以便对不同子网络采用不同的聚类算法。

2.通过子网络间的交互关系，融合不同子网络的聚类结果，得到整个异构网络的聚类结果。

3.这种方法可以有效利用子网络内外的信息，提高聚类精度。

异构网络图嵌入聚类方法

1.将异构网络映射到一个低维空间中，保留网络的结构和语义信息。

2.在低维空间中利用聚类算法对节点进行聚类。

3.这种方法可以有效解决异构网络的高维稀疏性问题，提高聚类效率。

异构网络半监督聚类方法

1.利用异构网络中已知的标签信息指导聚类过程。

2.通过标签传播或正则化等技术，将标签信息融入聚类模型。

3.这种方法可以提高聚类结果的准确性，特别是在标签信息较少的情况下。

异构网络动态聚类方法

1.考虑异构网络的动态变化，及时更新聚类结果。

2.通过滑动窗口、增量学习或流式聚类等技术，处理动态网络中的数据。

3.这种方法可以确保聚类结果始终反映网络的最新状态。

异构网络多视图聚类方法

1.将异构网络表示为多个视图，每个视图包含网络的不同方面信息。

2.在每个视图上单独进行聚类，然后融合不同视图的聚类结果。

3.这种方法可以更全面地反映异构网络的特性，提高聚类性能。

异构网络层级聚类方法

1.将异构网络组织为一个层级结构，从低层到高层逐渐聚合节点。

2.在不同层级上采用不同的聚类算法，适应不同层级的网络特性。

3.这种方法可以同时获得不同粒度的聚类结果，满足不同应用场景的需求。异构网络离线聚类算法设计

异构网络离线聚类算法的设计旨在处理包含不同类型节点和链接的异构网络中的聚类问题。与同构网络聚类相比，异构网络聚类更加复杂，因为需要考虑不同节点类型之间的语义差异和链接类型之间的结构差异。现有的离线聚类算法可以分为以下几类：

1.基于相似度的方法

基于相似度的方法通过计算节点或链接之间的相似度来定义聚类。常见的相似度度量包括：

*余弦相似度：计算两个向量的余弦夹角，反映向量的方向相似性。

*Jaccard相似度：计算两个集合的交集与并集的比值，反映集合元素的重叠程度。

*邻近度：计算两个节点之间的最短路径长度，反映节点之间的距离。

*嵌入式相似度：将节点或链接嵌入到低维空间中，然后通过计算嵌入向量的距离来衡量相似度。

2.基于谱的方法

基于谱的方法将异构网络表示为图拉普拉斯算子或邻接矩阵，然后利用谱分解来识别网络中的社区结构。常见的谱聚类算法包括：

*谱聚类：对拉普拉斯算子的特征向量进行聚类，将网络划分为具有最小割的目标社区。

*正则化谱聚类：引入正则化项以提高谱聚类的鲁棒性和稳定性。

3.基于传播的方法

基于传播的方法通过在网络中传播信息来检测社区结构。常见的传播算法包括：

*标签传播：初始为每个节点分配一个标签，然后通过邻近节点之间的相互作用传播标签，最终形成标签相同的社区。

*随机游走：从随机节点出发，在网络中执行随机游走，游走概率由节点之间的相似度或链接权重决定，最终到达的节点属于同一社区。

4.基于元路径的方法

基于元路径的方法利用异构网络中预先定义的元路径（节点类型之间的特定路径模式）来发现社区结构。常见的元路径聚类算法包括：

*Metapath2Vec：将网络中的元路径表示为嵌入向量，然后通过聚类嵌入向量来识别社区。

*SHEC：使用元路径相似度度量来计算节点或链接之间的相似度，然后通过聚类相似度矩阵来检测社区。

5.混合方法

混合方法结合了上述不同类型的聚类方法，以提高聚类性能。常见的混合聚类算法包括：

*谱-传播聚类：结合谱聚类和传播算法，利用谱分解识别潜在社区，然后通过传播精细化聚类结果。

*元路径-相似度聚类：结合元路径方法和基于相似度的聚类，利用元路径提取网络结构特征，然后通过相似度度量进行聚类。

在设计异构网络离线聚类算法时，需要考虑以下因素：

*网络异构性：考虑不同节点类型和链接类型之间的语义差异和结构差异。

*聚类目标：明确聚类目标，如识别社区结构、功能模块或异常节点。

*计算复杂度：确保算法在大型异构网络上可扩展且高效。

*鲁棒性：提高算法对网络噪声、异常值和链接权重变化的鲁棒性。

*解释性：提供聚类结果的解释性，解释社区形成背后的原因。

综上所述，异构网络离线聚类算法的设计是一项复杂的挑战，需要从不同角度考虑网络异构性、聚类目标、计算复杂度、鲁棒性和解释性等因素。通过结合不同的聚类方法和考虑异构网络的独特特征，可以开发出高效且有效的离线聚类算法。第二部分异常样本识别与检测策略关键词关键要点主题名称：基于距离的异常检测

1.利用距离度量（如欧式距离、余弦相似度）计算样本之间的相似性。

2.定义阈值，将距离超过阈值的样本标记为异常。

3.该方法简单易懂，但容易受到噪声和异常值的影响。

主题名称：基于密度的异常检测

异常样本识别与检测策略

在异构网络中，异常检测是一项至关重要的任务，它可以识别网络中的异常活动和恶意攻击。异常样本识别与检测策略是异常检测中至关重要的一部分，它涉及使用各种方法来识别网络中偏离正常行为模式的数据点。

一、基于统计的方法

*单变量异常检测：针对单个特征或属性进行异常检测，通过计算数据点与其他数据点的差异程度来识别异常值。

*多变量异常检测：同时考虑多个特征或属性，并使用机器学习算法来确定数据点的整体异常性。

二、基于距离的方法

*k-近邻算法：计算数据点到其k个最近邻点的距离，异常值通常具有较大的距离。

*聚类算法：将数据点分组为不同的簇，异常点通常不属于任何簇或属于稀疏簇。

三、基于分类的方法

*支持向量机：将数据点划分为正负两类，异常点通常位于决策边界附近或之外。

*决策树：使用树状结构来分类数据点，异常点可能位于树的边缘或叶节点处。

四、基于特征的方法

*异常值分析：识别具有极端值或异常分布的特征值。

*关联规则挖掘：寻找特征之间的频繁模式，异常值可能违反这些模式。

五、基于时间序列的方法

*时间序列预测：建立时间序列模型并预测未来值，异常点偏离预测值。

*变化点检测：识别时间序列中统计特性突然改变的时间点，异常事件可能导致这些变化。

六、基于图的方法

*异常边缘检测：在网络图中识别具有异常高或低权重的边缘，这些边缘可能对应于异常连接或攻击。

*社区检测：将网络图划分为社区，异常点可能位于社区之外或具有异常的社区属性。

七、基于知识库的方法

*基于签名异常检测：使用已知的攻击模式或恶意行为签名来识别异常事件。

*基于本体异常检测：利用本体知识来定义网络的正常行为，并识别与本体规则不一致的数据点。

异常检测策略的评估

异常检测策略的评估至关重要，以确保其准确性和效率。评估指标包括：

*灵敏度：检测异常事件的能力。

*准确性：正确识别异常事件的能力。

*假阳性率：将正常事件错误识别为异常事件的比例。

*时间复杂度：执行异常检测所需的时间。

通过仔细评估和选择最合适的异常检测策略，可以有效地识别异构网络中的异常行为和恶意攻击，从而提高网络安全性和稳定性。第三部分图嵌入技术在异构网络聚类中的应用关键词关键要点主题名称：异构图嵌入

1.异构图嵌入通过将不同类型节点和边映射到一个统一的向量空间，使得异构网络中不同类型数据的关联信息能够被建模。

2.异构图嵌入方法考虑了节点之间的相似性和不同类型节点和边的权重，从而能够捕获异构网络中的复杂结构。

3.异构图嵌入能够有效地应用于聚类任务，因为它可以将异构网络中的节点映射到一个低维空间，使得相似的节点聚集在一起。

主题名称：深度学习图嵌入

图嵌入技术在异构网络聚类中的应用

异构网络是包含不同类型节点和边的复杂网络。图嵌入技术为异构网络数据提供了有效的表示，能够捕获节点的语义和结构信息，从而促进聚类任务。

异构网络图嵌入

图嵌入将异构网络中的节点映射到低维向量空间，保留原始网络的结构和语义特征。常见的异构网络图嵌入方法包括：

*异构信息网络嵌入(HINE)利用节点之间的异构信息来学习嵌入表示，考虑到不同类型节点的语义相似性和交互模式。

*异构结构网络嵌入(HSNE)专注于捕捉异构网络的结构特征，考虑节点之间的连接模式、边的类型和权重。

*异构融合网络嵌入(HFNE)结合信息和结构嵌入，通过融合来自不同来源的异构信息，获得更全面的嵌入表示。

聚类算法与图嵌入

图嵌入为聚类算法提供了改进后的节点表示，可以提高聚类性能。常见的基于图嵌入的聚类算法包括：

*谱聚类利用图嵌入计算图的谱分解，将节点聚类到不同的子图中。

*DBSCAN(Density-BasedSpatialClusteringofApplicationswithNoise)基于嵌入空间中节点的密度和可达性进行聚类。

*k-近邻算法基于嵌入空间中节点的相似性，将节点分配到k个最近的邻域中。

聚类评估和异常检测

聚类评估对于确定聚类算法的性能至关重要。常用的评估指标包括：

*轮廓系数(SilhouetteCoeficient)衡量节点与所属簇的相似性和与其他簇的差异性。

*卡尔inski-Harabasz指数(Calinski-HarabaszIndex)衡量聚类簇之间的分离度和簇内的紧密度。

此外，图嵌入还可以辅助异常检测。通过将异常节点映射到嵌入空间，可以识别与其他节点有较大差异的异常行为或模式。

应用示例

异构网络聚类和异常检测在各种实际应用中具有广泛的应用，包括：

*社交网络分析：识别社区、影响者和异常用户。

*生物信息学：对基因和蛋白质进行聚类和异常检测。

*推荐系统：为用户聚类相似商品和检测异常购买模式。

*欺诈检测：识别异常交易和可疑账户。

结论

图嵌入技术在异构网络聚类中发挥着至关重要的作用。通过提供节点的低维嵌入表示，图嵌入增强了聚类算法的性能，促进了复杂异构网络数据的深入分析。此外，图嵌入还支持异常检测，使我们能够识别偏离正常行为的异常节点。随着图嵌入技术的不断发展，它在异构网络聚类和异常检测领域的应用将持续扩大。第四部分基于层次结构的异构网络分层聚类关键词关键要点多层异构网络层次聚类

1.采用层次聚类算法，将异构网络中的节点逐步聚合成不同的层级。

2.通过定义网络中节点之间的相似度度量，量化不同节点之间的关联性。

3.利用分而治之的原则，将大规模异构网络分解成较小的子网络，提升聚类效率。

异构网络分层聚类图谱

1.构建异构网络的分层聚类图谱，展示不同层级上的聚类结果。

2.识别网络中的社区结构和层次关系，揭示网络中复杂的数据模式。

3.利用图形可视化技术，直观地呈现异构网络的聚类结构，便于用户理解和分析。

分层聚类特征融合

1.融合不同层级聚类特征，增强节点特征的鲁棒性和代表性。

2.利用深度学习技术，自动提取网络中不同层级的特征，无需人工特征工程。

3.提高聚类结果的准确性，提高异构网络中异常节点的识别率。

自适应聚类层次优化

1.根据异构网络的结构特征，自动调整聚类层次，实现聚类结果的动态适应。

2.采用自适应算法，调节聚类参数，确保不同层级的聚类精度。

3.提高聚类算法的灵活性，适应不同类型异构网络的聚类需求。

实时异构网络聚类

1.设计实时聚类算法，处理不断更新的异构网络数据。

2.利用流式数据处理技术，在线更新网络结构和节点特征。

3.实现异构网络的动态聚类，及时发现网络中的异常行为和数据变化。

异常检测与聚类相结合

1.将异常检测与聚类相结合，识别异构网络中的异常节点和异常模式。

2.利用聚类结果作为异常检测的先验知识，提高异常检测的效率和准确率。

3.构建异构网络的异常图谱，全面展示网络中异常节点的分布和关联关系。基于层次结构的异构网络分层聚类

异构网络是由不同类型的节点和边组成的复杂网络，其中节点代表实体，边代表实体之间的关系。离线聚类是将数据点（在本例中为异构网络中的节点）分组到具有相似特征的组中的任务。异常检测是识别与典型数据模式显着不同的数据点或事件的过程。

对于异构网络，基于层次结构的分层聚类是一种有效的聚类方法。这种方法将网络组织成一个层次结构，其中每个级别代表网络的不同粒度。聚类从最底层开始，节点被分组到较小的组中。然后，这些组被合并到较大的组中，直到达到所需的粒度级别。

基于层次结构的分层聚类方法有两种主要类型：自底向上和自顶向下。

*自底向上（凝聚）方法：从每个节点作为一个单独的群集开始。然后，它逐步合并具有相似特征的群集，直到达到所需的群集数。凝聚方法包括平均连锁法、单连锁法和完全连锁法。

*自顶向下（分裂）方法：从包含所有节点的单个群集开始。然后，它将群集逐步细分为较小的群集，直到达到所需的群集数。分裂方法包括多元分裂法、二元分裂法和最大似然分裂法。

基于层次结构的分层聚类方法在分析异构网络时具有以下优势：

*可视化：层次结构提供了网络层次组织的直观表示，使分析人员能够轻松识别网络中的模式和异常。

*灵活性：分析人员可以根据特定应用程序的需要调整层次结构的粒度。

*可解释性：聚类结果可以追溯到网络的底层结构，使分析人员能够理解集群形成背后的原因。

对于异构网络中的异常检测，基于层次结构的分层聚类方法可以提供有用的见解。通过将节点分组到具有相似特征的组中，可以识别与其他组显着不同的异常节点。

例如，在社交网络中，基于层次结构的分层聚类可以识别具有不同行为模式的异常用户。这些异常用户可能是机器人程序、恶意行为者或具有可疑活动的用户。通过识别异常用户，安全分析人员可以采取措施减轻网络中潜在的风险。

总而言之，基于层次结构的分层聚类是一种强大的方法，用于对异构网络进行离线聚类和异常检测。它提供了网络层次化组织的直观表示，使分析人员能够轻松识别模式和异常。通过调整层次结构的粒度，分析人员可以根据特定应用程序的需要定制聚类过程。第五部分社群挖掘算法在异构网络聚类中的拓展关键词关键要点【社区挖掘算法的结构拓展】

1.拓展异构网络节点表征，将不同类型节点的语义信息和结构信息融入节点表征中。

2.引入异构网络拓扑结构，考虑不同节点类型之间的相互作用和影响，增强社区挖掘算法的泛化能力。

3.探索节点属性的关联关系，将异构网络中节点的不同属性纳入社区挖掘算法，提升聚类结果的质量和鲁棒性。

【社区挖掘算法的动态演化】

社群挖掘算法在异构网络聚类中的拓展

社群挖掘算法是识别和提取异构网络中相关节点群体的有效方法。传统社群挖掘算法主要针对同构网络设计，需要对异构网络进行预处理和转换，这可能会导致信息丢失和聚类性能下降。为此，研究人员对传统社群挖掘算法进行了拓展，使其能够直接处理异构网络数据。

拓展方法

1.元路径聚类(MCP)

MCP算法将异构网络中的节点视为元路径的集合，其中元路径是连接不同类型节点的特定路径模式。MCP算法通过聚类相似元路径来识别社群，从而考虑网络中节点类型之间的异构性。

2.异构网路嵌入(HNE)

HNE算法将异构网络中的节点嵌入到低维向量空间中，以便使用传统的聚类算法识别社群。HNE模型利用异构网络的拓扑结构和节点属性信息来学习节点嵌入，保留了网络中的异构性。

3.块模型(BM)

BM算法将异构网络划分为同构子块，每个子块代表不同类型的节点和边。BM算法先在每个子块内进行社群挖掘，然后将不同子块中的社群合并为异构网络的最终社群。

4.多模态网络嵌入(MMNE)

MMNE算法将不同类型的节点和边视为不同的模态。MMNE模型通过学习不同模态之间的关系来嵌入节点，从而考虑了异构网络中的多模态性。

优势

与传统的社群挖掘算法相比，这些拓展方法具有以下优势：

*直接处理异构网络数据：避免了预处理和转换步骤，保留了异构网络的完整信息。

*考虑网络异构性：通过元路径、嵌入或子块划分来考虑不同节点类型和边类型之间的差异。

*提高聚类性能：保留异构网络的丰富信息，导致更准确和有意义的社群划分。

应用

异构网络社群挖掘在社交网络、生物网络和知识图谱等领域有广泛的应用：

*社区检测：识别社交网络中具有相似兴趣或行为模式的群体。

*疾病亚型识别：发现生物网络中患有特定疾病亚型的患者群体。

*知识提取：从知识图谱中抽取语义相关的概念和实体集群。

结论

社群挖掘算法的拓展使得直接处理异构网络聚类成为可能。这些拓展方法通过考虑网络异构性、多模态性和其他特性，提高了聚类性能，在异构网络的分析和理解中发挥着至关重要的作用。第六部分异构网络中节点角色识别与异常检测关键词关键要点异构网络中节点角色识别

1.异构网络中节点具有不同的角色和功能，例如核心节点、桥接节点和边界节点。

2.基于网络拓扑结构、连接模式和节点属性等信息，可以识别节点的角色。

3.节点角色识别有助于了解网络结构和行为，为网络安全和管理提供基础。

异构网络中异常检测

1.异常检测是指识别与正常模式明显不同的网络活动或行为。

2.异构网络中存在各种异常，例如黑客攻击、恶意软件传播和网络故障。

3.使用机器学习和数据挖掘技术，可以检测异构网络中的异常，从而增强网络安全性。异构网络中节点角色识别与异常检测

引言

异构网络是由不同类型的节点（如用户、服务器、物联网设备）和连接组成的复杂系统。这些节点具有不同的特性、行为模式和相互作用。识别节点的角色和检测网络中的异常活动对于维护网络安全和确保平稳运行至关重要。

节点角色识别

节点角色识别是确定异构网络中节点功能和行为特征的过程。它涉及识别不同类型的节点（如用户、服务器、物联网设备），并描述它们在网络中的角色（如内容提供者、消费者、中介）。

方法：

*基于属性的方法：分析节点的固有属性，如IP地址、端口号、操作系统等。

*基于拓扑结构的方法：检查节点在网络中的连接性和交互模式。

*基于行为的方法：监控节点的行为模式，如数据传输量、连接模式、响应时间。

*机器学习方法：利用机器学习算法（如聚类、分类）根据节点特征和行为模式识别其角色。

异常检测

异常检测是识别和标记异构网络中与正常行为模式显着不同的事件和活动的过程。异常活动可能表明网络攻击、故障或异常行为。

方法：

*基于统计的方法：使用统计模型来建立正常行为基线，并检测偏离基线的事件。

*基于机器学习的方法：利用机器学习算法（如孤立森林、支持向量机）识别网络中与众不同的数据点。

*基于专家规则的方法：定义预定义的规则和条件来检测特定的异常活动。

*基于网络流量分析的方法：分析网络流量模式来识别与正常流量不同的异常流量。

异构网络中节点角色识别与异常检测的应用

*网络安全：识别恶意节点、检测网络攻击并制定缓解措施。

*网络管理：优化网络性能、定位故障并改善资源分配。

*网络分析：深入了解网络动态、用户行为和流量模式。

*服务质量（QoS）：根据节点角色和行为模式优化网络资源分配，确保关键服务和应用的性能。

挑战

*数据异构性：异构网络中节点和连接的类型和特征多样化。

*网络动态性：异构网络不断变化，节点角色和行为模式可能会随着时间而变化。

*高维度数据：节点和网络的特征可能包含大量维度，这会给分析和检测带来挑战。

*实时性：对于网络安全和管理应用，需要实时检测异常活动。

结论

节点角色识别和异常检测是异构网络安全和管理的重要方面。通过采用先进的技术和方法，例如机器学习和网络流量分析，可以提高识别网络中节点角色和异常活动的准确性和效率。这些见解对于保护网络免受攻击、优化网络性能和确保平稳运行至关重要。第七部分异构网络中局部邻域协同聚类与异常识别关键词关键要点【异构网络局部邻域协同聚类】

1.引入了局部邻域中的相似性信息，增强了聚类的鲁棒性。

2.采用协同聚类框架，通过共享局部信息提高聚类一致性。

3.提出了一种自适应权重方案，根据局部相似性动态调整节点权重。

【异构网络异常识别】

异构网络中局部邻域协同聚类与异常识别

引言

异构网络是由不同类型实体（如用户、物品和话题）以及它们之间的异质关系组成的。聚类和异常检测是异构网络分析中的基本任务，广泛应用于社区发现、信息推荐和欺诈检测等领域。然而，由于异构网络具有数据异质性、多模态性和复杂关系等特点，传统的方法在处理此类网络时面临着挑战。

局部邻域协同聚类

局部邻域协同聚类（LNCC）是一种针对异构网络设计的聚类方法。它利用局部邻域信息和实体之间的协同关系来提升聚类准确性。LNCC算法具体步骤如下：

1.构建局部邻域图：为每个实体构建局部邻域图，图中节点为实体，边表示实体之间的异质关系。

2.协同权重计算：计算实体之间协同权重，权重值反映实体在局部邻域中的协同程度。协同权重可以通过计算实体的相似度、关系强度等指标来获得。

3.聚类：使用聚类算法（如谱聚类或层次聚类）对局部邻域图进行聚类，并将具有较高协同权重的实体分配到同一个簇中。

异常识别

基于LNCC的异常识别方法利用聚类结果来识别异常实体。异常实体通常表现为与其他实体协同性较低或位于孤立簇中。异常识别步骤如下：

1.协同度计算：计算每个实体的协同度，协同度反映实体与其邻居的协同程度。协同度可以通过聚类结果或局部邻域图中的权重值来获得。

2.异常评分：根据协同度计算每个实体的异常评分。异常评分较高的实体更有可能为异常实体。

3.异常实体识别：根据异常评分阈值识别异常实体。阈值可以通过经验确定或使用统计方法计算。

实验评估

LNCC和基于LNCC的异常识别方法已在多个异构网络数据集上进行评估。实验结果表明，LNCC方法在异构网络聚类任务上优于传统方法。基于LNCC的异常识别方法在异常实体识别任务上也取得了良好的性能，识别率和AUC值均较高。

优势

*考虑异质性：LNCC方法考虑了异构网络中实体类型和关系的异质性，提升了聚类准确性。

*协同性建模：LNCC方法利用局部邻域信息和实体之间的协同关系，增强了聚类结果的稳健性。

*异常实体识别：基于LNCC的异常识别方法可以有效识别异构网络中的异常实体，为网络安全和异常事件检测提供支持。

局限性

*数据规模：LNCC方法需要构建局部邻域图，在数据规模较大时计算量可能较大。

*超参数选择：LNCC方法涉及协同权重和异常评分阈值等超参数，需要根据具体数据集进行优化。

结论

异构网络中局部邻域协同聚类与异常识别是一项重要的研究课题，具有广泛的应用前景。LNCC方法利用局部邻域信息和协同关系解决了异构网络聚类和异常识别中的挑战，取得了良好的性能。随着异构网络分析的不断发展，LNCC方法有望在更多应用领域中发挥作用。第八部分异构网络中基于流形学习的聚类与异常检测关键词关键要点【基于度量学习的异构网络聚类】

1.度量学习旨在学习一个距离度量，将类似的事物拉近，将相异的事物推远。

2.对于异构网络，传统的度量学习算法不适用于不同类型的节点和边。

3.因此，需要开发新的度量学习方法，专门针对异构网络的特殊结构和特征。

【流形学习的异常检测】

异构网络中基于流形学习的聚类与异常检测

引言

异构网络是具有不同类型节点和边的数据集，越来越普遍地用于各种领域。由于异构网络的复杂性和多模态性，对其进行聚类和异常检测具有挑战性。流形学习技术可以揭示异构网络中的潜在结构和流形，为这些任务提供强大的框架。

流形学习

流形学习旨在从高维数据中提取低维流形，该流形保留了数据的内在结构。在异构网络中，每个节点可以视为一