Netwerk-embedding — Node2Vec, DeepWalk, LINE

Netwerk-embedding is een familie van methoden voor representatie-leren die elke knoop van een graaf in een dichte, laag-dimensionale vector afbeelden, terwijl de structurele eigenschappen van het netwerk behouden blijven. De aanpak werd geformaliseerd voor data van sociale netwerken door Perozzi, Al-Rfou, en Skiena met DeepWalk (2014), die het skip-gram model van Word2Vec aanpaste aan willekeurige wandelingen op grafen, en uitgebreid door Grover en Leskovec met Node2Vec (2016), die een bevooroordeelde willekeurige wandeling introduceerde die de exploratie met brede en diepe zoektochten balanceert. Deze embeddings zetten relationele data om in kenmerkvectoren die standaard machine-learning classificatoren en clustering-algoritmen direct kunnen verwerken.