ノード2ベクトル

node2vecは、グラフ上のノードのベクトル表現を生成するアルゴリズムです。node2vecフレームワークは、ターゲットノードから始まるグラフのランダムウォークを使用して、グラフ内のノードの低次元表現を学習します。これは、さまざまな機械学習アプリケーションに役立ちます。node2vecは、グラフのランダムウォークをコーパス内の文のように扱うことができるという直感に従います。グラフ内の各ノードは個別の単語のように扱われ、ランダムウォークは文として扱われます。これらの「文」をskip-gramに入力するか、連続した bag of wordsモデルを使用することで、ランダムウォークによって見つかったパスを文として扱うことができ、ドキュメントの従来のデータマイニング手法を使用できます。このアルゴリズムは、ネットワーク近傍の厳格な概念に基づく以前の作業を一般化し、近傍を探索する際の柔軟性の向上が、グラフ内のノードのより豊富な表現を学習するための鍵であると主張しています。^[1] このアルゴリズムは、最高のグラフ分類器の 1 つと考えられています。^[2]

参照

参考文献

^ Grover, Aditya; Leskovec, Jure ( 2016). 「Node2vec」。知識発見とデータマイニングに関する第22回ACM SIGKDD国際会議の議事録。第2016巻。pp. 855–864。arXiv : 1607.00653。Bibcode : 2016arXiv160700653G。doi : 10.1145/ 2939672.2939754。ISBN 9781450342322. PMC 5108654 . PMID 27853626.
^ Khosla, Megha; Setty, Vinay; Anand, Avishek (2020). 「教師なしネットワーク表現学習の比較研究」. IEEE Transactions on Knowledge and Data Engineering : 1. arXiv : 1903.07902 . doi :10.1109/tkde.2019.2951398. S2CID 207870054.

[1] ^ Grover, Aditya; Leskovec, Jure ( 2016). 「Node2vec」。知識発見とデータマイニングに関する第22回ACM SIGKDD国際会議の議事録。第2016巻。pp. 855–864。arXiv : 1607.00653。Bibcode : 2016arXiv160700653G。doi : 10.1145/ 2939672.2939754。ISBN 9781450342322. PMC 5108654 . PMID 27853626.

[2] Khosla, Megha; Setty, Vinay; Anand, Avishek (2020). 「教師なしネットワーク表現学習の比較研究」. IEEE Transactions on Knowledge and Data Engineering : 1. arXiv : 1903.07902 . doi :10.1109/tkde.2019.2951398. S2CID 207870054.