การฝังตัวของเครือข่าย — Node2Vec, DeepWalk, LINE
การฝังตัวของเครือข่าย (Network embedding) เป็นกลุ่มของวิธีการเรียนรู้การนำเสนอที่แปลงแต่ละโหนดของกราฟให้อยู่ในรูปของเวกเตอร์ความหนาแน่นต่ำที่มีมิติไม่มากนัก โดยยังคงรักษาคุณสมบัติเชิงโครงสร้างของเครือข่ายไว้ วิธีการนี้ได้รับการกำหนดอย่างเป็นทางการสำหรับข้อมูลเครือข่ายสังคมโดย Perozzi, Al-Rfou, และ Skiena ด้วย DeepWalk (2014) ซึ่งปรับใช้โมเดล skip-gram ของ Word2Vec กับการเดินสุ่มบนกราฟ และได้รับการขยายโดย Grover และ Leskovec ด้วย Node2Vec (2016) ซึ่งนำเสนอการเดินสุ่มแบบมีอคติที่ปรับสมดุลระหว่างการสำรวจแบบ breadth-first และ depth-first การฝังตัวเหล่านี้เปลี่ยนข้อมูลเชิงสัมพันธ์ให้เป็นเวกเตอร์คุณลักษณะที่ตัวจำแนกประเภทและอัลกอริทึมการจัดกลุ่มของแมชชีนเลิร์นนิงมาตรฐานสามารถนำไปใช้ได้โดยตรง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Network Embedding (Node2Vec, DeepWalk, LINE). ScholarGate. https://scholargate.app/th/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.
- การวิเคราะห์ความเป็นศูนย์กลางการวิเคราะห์เครือข่าย↔ compare
- การตรวจจับชุมชนการวิเคราะห์เครือข่าย↔ compare
- การทำนายลิงก์การวิเคราะห์เครือข่าย↔ compare