Tīkla iegulšana — Node2Vec, DeepWalk, LINE
Tīkla iegulšana ir reprezentācijas mācīšanās metožu saime, kas katru grafa virsotni attēlo blīvā, zemas dimensijas vektorā, vienlaikus saglabājot tīkla strukturālās īpašības. Pieeju formalizēja sociālo tīklu datiem Perozzi, Al-Rfou un Skiena ar DeepWalk (2014), kas pielāgoja Word2Vec skip-gram modeli nejaušām pastaigām grafos, un paplašināja Grover un Leskovec ar Node2Vec (2016), kas ieviesa neobjektīvu nejaušu pastaigu, kas līdzsvaro plašuma un dziļuma pirmās izpētes. Šie ieguldījumi pārvērš relāciju datus par iezīmju vektoriem, ko var tieši izmantot standarta mašīnmācīšanās klasifikatori un klasterizācijas algoritmi.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Network Embedding (Node2Vec, DeepWalk, LINE). ScholarGate. https://scholargate.app/lv/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.
- Centrāles analīzeTīklu analīze↔ compare
- Kopienu noteikšanaTīklu analīze↔ compare
- Saišu prognozēšanaTīklu analīze↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →