تمثيل موزع للرسومات الجزئية

لقد أصبحت تمثيلات الشبكات شائعة جدًا في تعلم تمثيلات الخصائص الفعالة للشبكات. مستوحاة من النجاحات الحديثة لتمثيلات المتجهات في معالجة اللغات الطبيعية، حاول الباحثون العثور على تمثيلات للشبكات لاستغلال خوارزميات التعلم الآلي في مهام التنقيب مثل تصنيف العقد وتوقع الروابط. ومع ذلك، فإن معظم الأعمال تركز على العثور على تمثيلات موزعة للعقد، والتي تكون بطبيعتها غير مناسبة للمهام مثل اكتشاف المجتمعات التي تعتمد بشكل حدسي على الرسوم الفرعية.في هذا السياق، نقترح طريقة sub2vec، وهي خوارزمية قابلة للتوسع وغير مراقبة لتعلم تمثيلات الخصائص للرسوم الفرعية العشوائية. نوفر وسائل لتحديد التشابه بين الرسوم الفرعية ونقدم تحليلًا نظريًا لـ sub2vec ونبين أنها تحتفظ بما يُعرف بالقرب المحلي. كما نسلط الضوء على قابلية استخدام sub2vec من خلال الاستفادة منها في مهام التنقيب في الشبكات، مثل اكتشاف المجتمعات. نوضح أن sub2vec تحصل على مكاسب كبيرة مقارنة بطرق الحالة الراهنة وطرق تمثيل العقد. وبشكل خاص، توفر sub2vec طريقة لإنشاء مفردات غنية أكثر من خصائص الرسوم الفرعية لدعم التمثيل والاستدلال.