التمثيل الشبكي العميق الهيكلي

التمثيل الشبكي (Network Embedding) هو طريقة مهمة لاستخلاص تمثيلات منخفضة الأبعاد للرؤوس في الشبكات، بهدف التقاط وحفظ بنية الشبكة. يعتمد معظم الأساليب الحالية للتمثيل الشبكي على نماذج سطحية (Shallow Models). ومع ذلك، وبسبب تعقيد البنية الشبكية الكامنة، لا يمكن للنماذج السطحية التقاط البنية الشبكية ذات التماثل العالي وغير الخطية، مما يؤدي إلى تمثيلات شبكية غير مثلى. وبالتالي، يظل السؤال المتعلق بتحديد طريقة قادرة على التقاط البنية الشبكية غير الخطية بشكل فعّال وحفظ البنية المحلية والعالمية مفتوحًا، ولكنه مهم جدًا. لحل هذه المشكلة، نقترح في هذا البحث طريقة تُسمى تمثيل الشبكة العميقة الهيكلية (Structural Deep Network Embedding)، أو اختصارًا SDNE. بشكل أكثر تحديدًا، نقترح أولًا نموذجًا عميقًا شبه مراقب (Semi-supervised Deep Model) يحتوي على طبقات متعددة من الدوال غير الخطية، مما يمكّنه من التقاط البنية الشبكية غير الخطية المعقدة. ثم نقترح استغلال التقارب من الدرجة الأولى (First-order Proximity) والدرجة الثانية (Second-order Proximity) معًا لحفظ بنية الشبكة. يستخدم التقارب من الدرجة الثانية في المكون غير المراقب لالتقاط البنية الشبكية العالمية، بينما يُستخدم التقارب من الدرجة الأولى كمعلومة مراقبة في المكون المراقب للحفاظ على البنية الشبكية المحلية. وبتحسين هذين العاملين معًا ضمن النموذج العميق شبه المراقب، يمكن لطريقتنا الحفاظ على البنية المحلية والعالمية للشبكة، وتحقيق مرونة عالية في التعامل مع الشبكات النادرة. من الناحية التجريبية، أجرينا تجارب على خمس شبكات حقيقية، تشمل شبكة لغوية، وشبكة استشهاد، وثلاث شبكات اجتماعية. أظهرت النتائج أن طريقة التمثيل المقترحة تُحسّن بشكل ملحوظ إعادة بناء الشبكة الأصلية مقارنةً بالأساليب الأساسية، كما حققت تحسينات كبيرة في ثلاث تطبيقات رئيسية: التصنيف متعدد العلامات (Multi-label Classification)، وتنبؤ الروابط (Link Prediction)، والتمثيل البصري (Visualization).