隨著互聯網的普及，越來越多的問題以社交網絡這樣的網絡形式出現。網絡通常用圖數據表示，由于圖數據處理的挑戰性，如何從圖中學習到重要的信息是當前被廣泛關注的問題。網絡嵌入就是通過分析圖數據得到反映網絡結構的特征向量，利用它們進而實現各種數據挖掘任務，例如邊預測、節點分類、網絡重構、標簽推薦和異常檢測。最近，基于矩陣分解的網絡嵌入方法 Net mf被提出，它在理論上統一了多種網絡嵌入方法，并且在處理實際數據時表現出很好的效果。然而，在處理大規模網絡時， Net Mf需要極大的時間和空間開銷。本文使用快速隨機化特征值分解和單遍歷奇異值分解技術對 Net mf進行改進，提出一種高效率、且內存用量小的矩陣分解網絡嵌入算法 enemy.首先，我們提出了適合于對稱稀疏矩陣的隨機化特征值分解算法 freigs，它在處理實際的歸一化網絡矩陣時比傳統的截斷特征值分解算法快近10倍，且幾乎不損失準確度。其次，我們提出使用單遍歷奇異值分解處理Net mf方法中高次近似矩陣從而避免稠密矩陣存儲的技術，它大大減少了網絡嵌入所需的內存用量。最后，我們提出一種簡潔的、且保證分解結果對稱的隨機化單遍歷奇異值分解算法，將它與上述技術結合得到 enet mf算法。基于5個實際的網絡數據集，我們評估了 enetmf學習到的網絡低維表示在多標簽節點分類和邊預測上的有效性實驗結果表明，使用 enetmf替代NeM后在后續得到的多標簽分類性能指標上幾乎沒有損失，但在處理大規模數據時有超過40倍的加速與內存用量節省。在一臺32核的機器上， enet MF僅需約1.3h即可對含一百多萬節點的 Youtube數據學習到網絡嵌入，內存用量僅為30GB，并得到較高質量的分類結果。此外，最近被提出的網絡嵌人算法 Netsmf由于圖稀疏化過程的內存需求太大，無法在256GB內存的機器上處理兩個較大的網絡數據，而PNE算法則在多標簽分類的結果上表現不穩定，得到的 Macro f1值都比較差因此， e Neeme算法在結果質量上明顯優于 Netsmf和 Prone算法，在邊預測任務上， enem算法也表現出與其它方法差不多甚至更好的性能。