复杂网络分类是指将不同的复杂网络划分为不同的类别，比如，对于在线社区来说，其背后的社交网络会影响社区的发展，因此可以通过比较和区分不同的社交网络来判断在线社区的发展情况；再比如，在国际贸易网中，通过对产品贸易网络进行分类可以帮助区分不同的产品，这样不仅可以避免传统繁琐艰巨的产品分类工作，而且还有助于更多的了解产品的特性。此外，复杂网络分类问题还可以被应用在许多实际领域，例如，根据工业网络预测国家的经济发展，根据化合物结构预测是否具有毒性，根据公司的互动结构预测公司的业绩等等，这些问题都可以转化为复杂网络分类任务。传统的分类方法往往通过计算网络上的度量指标或者构建图核函数来进行分类，很难应用于大规模的网络，而且分类精度也有待提升。

针对复杂网络分类问题，学院辛茹月，张江教授，邵一桐等提出了一种基于深度学习的复杂网络分类方法。该研究成果《Complex Network Classification with Convolutional Neural Network》于2020年1月发表在期刊Tsinghua Science and Technology上，文章链接为http://tst.tsinghuajournals.com/10.26599/TST.2019.9010055。近期，该论文获得了Tsinghua Science and Technology 2021年度优秀论文，目前在Google scholar上已有40条引用。

论文中作者们提出了一种基于卷积神经网络的复杂网络分类方法（CNC）（见图一）。在该方法中，作者们首先将复杂网络进行表征学习得到的网络的向量表示转化成图片，然后通过卷积神经网络进行训练。该方法可以自动提取网络特征进行分类，在多种不同的数据集中都具有较高的分类精度（见图二）。在对无标度网络和小世界网络的分类中，作者们发现了卷积神经网络不同层的滤波器在提取网络中不同的特征，比如稀疏连接，稠密连接等。另外，作者们通过实验当网络大小发生变化时对分类效果的影响验证了算法的鲁棒性。

学院张江教授团队近年来一直从事复杂系统自动建模，图机器学习等研究。

图1: 复杂网络分类算法(CNC)框架：(a)输入图; (b)节点嵌入; (c)图像表示; (d)卷积神经网络

图2: CNC与其他分类方法在不同数据集上的比较

作者：张江

编辑：兰松

审核：王大辉