Nettverksinnbygging — Node2Vec, DeepWalk, LINE

Nettverksinnbygging er en familie av metoder for representasjonslæring som mapper hver node i en graf til en tett, lavdimensjonal vektor, samtidig som nettverkets strukturelle egenskaper bevares. Tilnærmingen ble formalisert for data fra sosiale nettverk av Perozzi, Al-Rfou og Skiena med DeepWalk (2014), som tilpasset Word2Vec skip-gram-modellen til tilfeldige vandringer på grafer, og ble utvidet av Grover og Leskovec med Node2Vec (2016), som introduserte en partisk tilfeldig vandring som balanserer bredde-først og dybde-først utforskning. Disse innbyggingene gjør relasjonsdata om til trekkvektorer som standard maskinlæringsklassifikatorer og klyngealgoritmer kan forbruke direkte.