Embedding de Rede — Node2Vec, DeepWalk, LINE

Embedding de rede é uma família de métodos de aprendizado de representação que mapeiam cada nó de um grafo para um vetor denso e de baixa dimensão, preservando as propriedades estruturais da rede. A abordagem foi formalizada para dados de redes sociais por Perozzi, Al-Rfou e Skiena com DeepWalk (2014), que adaptou o modelo skip-gram do Word2Vec para caminhadas aleatórias em grafos, e estendida por Grover e Leskovec com Node2Vec (2016), que introduziu uma caminhada aleatória enviesada que equilibra a exploração em largura e em profundidade. Esses embeddings transformam dados relacionais em vetores de características que classificadores e algoritmos de clusterização de aprendizado de máquina padrão podem consumir diretamente.