Process / pipeline
네트워크 임베딩 — Node2Vec, DeepWalk, LINE
네트워크 임베딩은 그래프의 각 노드를 네트워크의 구조적 속성을 유지하면서 조밀하고 저차원의 벡터로 매핑하는 표현 학습 방법군입니다. 이 접근법은 Perozzi, Al-Rfou, Skiena가 2014년 KDD에서 제안한 DeepWalk에서 소셜 네트워크 데이터에 대해 형식화되었으며, 이는 Word2Vec의 skip-gram 모델을 그래프 상의 랜덤 워크에 적용한 것입니다. Grover와 Leskovec는 2016년 KDD에서 너비 우선 탐색과 깊이 우선 탐색을 균형 있게 탐색하는 편향된 랜덤 워크를 도입한 Node2Vec으로 이를 확장했습니다. 이러한 임베딩은 관계형 데이터를 표준 머신러닝 분류기 및 클러스터링 알고리즘이 직접 소비할 수 있는 특징 벡터로 변환합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Grover, A. & Leskovec, J. (2016). Node2Vec: Scalable Feature Learning for Networks. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD), 855-864. DOI: 10.1145/2939672.2939754 ↗
- Perozzi, B., Al-Rfou, R., & Skiena, S. (2014). DeepWalk: Online Learning of Social Representations. Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD), 701-710. DOI: 10.1145/2623330.2623732 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 1). Network Embedding (Node2Vec, DeepWalk, LINE). ScholarGate. https://scholargate.app/ko/network-analysis/network-embedding
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →