Ağ Gömme — Node2Vec, DeepWalk, LINE
Network Embedding (Node2Vec, DeepWalk, LINE) · Ayrıca şöyle bilinir: node embedding, graph embedding, network representation learning, Ağ Gömme (Node2Vec, DeepWalk, LINE)
Ağ gömme, bir grafiğin her düğümünü, ağın yapısal özelliklerini korurken yoğun, düşük boyutlu bir vektöre eşleyen bir temsil öğrenme yöntemleri ailesidir. Bu yaklaşım, sosyal ağ verileri için Perozzi, Al-Rfou ve Skiena tarafından Word2Vec skip-gram modelini grafikler üzerindeki rastgele yürüyüşlere uyarlayan DeepWalk (2014) ile resmileştirilmiş ve Grover ve Leskovec tarafından, genişlik öncelikli ve derinlik öncelikli keşfi dengeleyen yanlı bir rastgele yürüyüş sunan Node2Vec (2016) ile genişletilmiştir. Bu gömmeler, ilişkisel verileri, standart makine öğrenimi sınıflandırıcıları ve kümeleme algoritmalarının doğrudan kullanabileceği özellik vektörlerine dönüştürür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Ağ gömme, en az 50 düğümlü bir grafiğiniz olduğunda ve düğüm sınıflandırması, bağlantı tahmini veya düğüm kümeleme gibi sonraki görevler için sürekli vektör özelliklerine ihtiyacınız olduğunda uygundur. Yöntem hem ağırlıksız hem de ağırlıklı grafikleri destekler ve yönlü veya yönsüz yapıları işler. Basit, tekdüze bir rastgele yürüyüş taban çizgisi yeterli olduğunda DeepWalk'ı seçin. Homofili ve yapısal denklik arasındaki dengeyi p ve q parametreleri aracılığıyla ayarlamak istediğinizde Node2Vec'i seçin. Çıkarım zamanında yeni, daha önce görülmemiş düğümleri yeniden eğitim olmadan gömmeniz gerekiyorsa, GraphSAGE gibi indüktif bir yöntemi tercih edin; standart biçimindeki ağ gömme transdüktiftir. Yöntem, normal dağılmış düğüm nitelikleri gerektirmez.
Güçlü yönler & sınırlılıklar
- İlişkisel grafik verilerini, herhangi bir standart makine öğrenimi işlem hattıyla uyumlu sabit uzunluklu vektörlere dönüştürür.
- Node2Vec'in p ve q parametreleri, analistin topluluk duyarlı ve rol duyarlı gömmeler arasındaki dengeyi ayarlamasına olanak tanır.
- Kenar ağırlıkları, ek modelleme adımları olmadan ilişki gücünü yakalayarak yürüyüş olasılıklarına dahil edilebilir.
- Verimli rastgele yürüyüş örneklemesi ve skip-gram eğitim prosedürü aracılığıyla büyük grafiklere ölçeklenir.
- Transdüktif: model, eğitim sırasında mevcut olmayan düğümleri tam yeniden eğitim olmadan gömemez.
- Hiperparametre duyarlılığı: gömme boyutu, yürüyüş uzunluğu, yürüyüş sayısı, pencere boyutu, p ve q'nun tümü gömme kalitesini etkiler ve ayar gerektirir.
- Rastgele yürüyüşler, uzatma olmadan daha yüksek dereceli grafik yapısını (örneğin, hiperkenarlar veya çok ilişkili kenarlar) yakalamaz.
- Yürüyüş kümesinin güvenilir istatistikler öğrenmek için çok seyrek olduğu çok küçük grafiklerde (50'den az düğüm) performans düşer.
SSS
DeepWalk, Node2Vec ve LINE arasındaki fark nedir?
DeepWalk tekdüze rastgele yürüyüşler ve Word2Vec skip-gram modelini kullanır — en basit taban çizgisidir. Node2Vec, p ve q tarafından kontrol edilen yanlı rastgele yürüyüşler ekler, bu da analistin yürüyüşün genişlik öncelikli arama (homofili) gibi mi yoksa derinlik öncelikli arama (yapısal denklik) gibi mi keşfedeceğini ayarlamasına olanak tanır. LINE hiç rastgele yürüyüş kullanmaz; birinci ve ikinci dereceden yakınlık hedeflerini doğrudan kenar listesi üzerinde optimize eder, bu da çok büyük grafiklere daha ölçeklenebilirdir ancak yürüyüş tabanlı komşuluk sinyalini feda eder.
Node2Vec'te p ve q parametrelerini nasıl seçerim?
p, önceki düğüme dönme olasılığını kontrol eder (düşük p = daha az geri izleme) ve q, keşif yarıçapını kontrol eder (q < 1 dışa doğru keşfi destekler, q > 1 yürüyüşü kaynağa yakın tutar). Aynı topluluktaki düğümlerin benzer olmasını bekliyorsanız (homofili), yürüyüşün dışa doğru dolaşmasına izin vermek için q < 1 ayarlayın. Aynı yapısal role sahip düğümlerin uzakta olsalar bile benzer olmasını bekliyorsanız, derinlik öncelikli keşfi teşvik etmek için p < 1 ayarlayın. Her iki rejimi de sonraki görevde doğrulayın.
Tüm modeli yeniden eğitmeden eğitimden sonra yeni düğümleri gömebilir miyim?
Standart Node2Vec ve DeepWalk transdüktiftir: gömme matrisi yalnızca eğitim sırasında görülen düğümleri kapsar. Yeni, daha önce görülmemiş düğümlere indüktif genelleme için, çıkarım zamanında herhangi bir düğüme uygulanabilen düğüm komşulukları üzerinde bir toplama işlevi öğrenen GraphSAGE gibi indüktif bir grafik sinir ağı yöntemi kullanın.
Gömme için kaç boyut kullanmalıyım?
En yaygın seçimler 64 ve 128'dir ve bunlar orta ila büyük grafikler için iyi çalışır. Küçük grafikler (50-200 düğüm) için aşırı uyumu önlemek amacıyla daha düşük bir boyutla (16 veya 32) başlayın ve gömme kalitesini yalnızca yeniden yapılandırma hatası yerine sonraki görev performansını (örneğin, düğüm sınıflandırma doğruluğu) ölçerek değerlendirin.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Network Embedding (Node2Vec, DeepWalk, LINE). ScholarGate. https://scholargate.app/tr/network-analysis/network-embedding
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Merkeziyet AnaliziAğ analizi↔ karşılaştır
- Topluluk TespitiAğ analizi↔ karşılaştır
- Bağlantı TahminiAğ analizi↔ karşılaştır