HyperAIHyperAI
منذ 15 أيام

GraRep: تعلُّم تمثيلات الرسم البياني مع معلومات هيكلية عالمية

{Qiongkai Xu, Shaosheng Cao, Wei Lu}
الملخص

في هذه الورقة، نقدم نموذجًا جديدًا يُسمى {GraRep} لتعلم تمثيلات الرؤوس في الرسوم البيانية ذات الأوزان. يتعلم هذا النموذج متجهات ذات أبعاد منخفضة تمثل الرؤوس الظاهرة في الرسم البياني، ويُدمج، على عكس الدراسات السابقة، المعلومات الهيكلية الشاملة للرسم البياني في عملية التعلم. كما نقوم بتحليل رياضي دقيق للروابط بين عملنا والجهود البحثية السابقة، بما في ذلك نموذج DeepWalk لبِروزِي وآخرين، بالإضافة إلى نموذج skip-gram مع أخذ العينات السلبية لـ ميكولوف وآخرين. قمنا بإجراء تجارب على شبكة لغوية، وشبكة اجتماعية، وشبكة استشهاد، وأظهرنا أن التمثيلات الشاملة التي تم تعلمها يمكن استخدامها بشكل فعّال كسمات في مهام مثل التجميع والتصنيف والتصور. تُظهر النتائج التجريبية أن تمثيلاتنا تتفوق بشكل ملحوظ على الطرق الرائدة الأخرى في هذه المهام.

GraRep: تعلُّم تمثيلات الرسم البياني مع معلومات هيكلية عالمية | أحدث الأوراق البحثية | HyperAI