node2vec: Skalierbares Merkmalslernen für Netzwerke

Vorhersageaufgaben für Knoten und Kanten in Netzwerken erfordern sorgfältige Anstrengungen bei der Gestaltung der von Lernalgorithmen verwendeten Merkmale. Aktuelle Forschungen im Bereich des Repräsentationslernens haben zu erheblichen Fortschritten bei der Automatisierung von Vorhersagen durch das Lernen dieser Merkmale selbst geführt. Dennoch sind die gegenwärtigen Ansätze des Merkmalslernens nicht ausdrucksstark genug, um die Vielfalt der in Netzwerken beobachteten Verbindungsstruktur zu erfassen. Hier stellen wir node2vec vor, ein algorithmisches Framework zur Lernung kontinuierlicher Merkmalsrepräsentationen für Knoten in Netzwerken. In node2vec lernen wir eine Abbildung von Knoten auf einen niedrigdimensionalen Raum von Merkmalen, die die Wahrscheinlichkeit maximiert, die Netzwerkumgebungen der Knoten beizubehalten. Wir definieren einen flexiblen Begriff der Netzwerkumgebung eines Knotens und entwerfen ein voreingenommenes Random-Walk-Verfahren (biased random walk), das vielfältige Umgebungen effizient erkundet. Unser Algorithmus verallgemeinert frühere Arbeiten, die auf starreren Konzepten von Netzwerkumgebungen basieren, und wir argumentieren, dass die hinzugefügte Flexibilität bei der Erkundung von Umgebungen entscheidend ist, um reichhaltigere Repräsentationen zu lernen. Wir zeigen die Effektivität von node2vec im Vergleich zu den bisher besten Techniken bei multiklassigen Klassifikationen und Link-Vorhersagen in mehreren realweltlichen Netzwerken aus verschiedenen Bereichen. Zusammen genommen stellt unsere Arbeit einen neuen Weg dar, um effizient taskunabhängige Repräsentationen in komplexen Netzwerken zu lernen.请注意，这里的"法语读者"应该是"德语读者"，因为您的请求是将文本翻译成德语。如果您有任何其他问题或需要进一步的帮助，请随时告知！