Network Embedding — Node2Vec, DeepWalk, LINE

Network Embedding ist eine Familie von Methoden des repräsentationsbasierten Lernens, die jeden Knoten eines Graphen in einen dichten, niedrigdimensionalen Vektor abbilden und dabei die strukturellen Eigenschaften des Netzwerks erhalten. Der Ansatz wurde für Daten sozialer Netzwerke von Perozzi, Al-Rfou und Skiena mit DeepWalk (2014) formalisiert, welche das Word2Vec Skip-Gram-Modell auf Zufallswanderungen auf Graphen adaptierten, und von Grover und Leskovec mit Node2Vec (2016) erweitert, welche eine gewichtete Zufallswanderung einführten, die die Exploration mittels Breitensuche und Tiefensuche ausbalanciert. Diese Embeddings wandeln relationale Daten in Merkmalsvektoren um, die von Standard-Klassifikatoren und Clustering-Algorithmen des maschinellen Lernens direkt verarbeitet werden können.