Topologische Darstellung von Netzwerken durch hierarchisches Sampling lernen

Die topologischen Informationen sind für die Untersuchung der Beziehungen zwischen Knoten in einem Netzwerk von entscheidender Bedeutung. Kürzlich haben sich Netzwerkrepräsentationslernverfahren (Network Representation Learning, NRL), die ein Netzwerk in einen niedrigdimensionalen Vektorraum projizieren, als vorteilhaft bei der Analyse von großen Netzwerken erwiesen. Allerdings sind die meisten existierenden NRL-Methoden darauf ausgelegt, die lokale Topologie eines Netzwerks zu bewahren; sie scheitern jedoch daran, die globale Topologie zu erfassen. Um dieses Problem anzugehen, schlagen wir ein neues NRL-Framework vor, das HSRL genannt wird, um bestehenden NRL-Methoden bei der Erfassung sowohl lokaler als auch globaler topologischer Informationen eines Netzwerks zu helfen. Speziell komprimiert HSRL rekursiv ein Eingabe-Netzwerk unter Verwendung einer community-bewussten Kompressionsstrategie in eine Reihe kleinerer Netzwerke. Anschließend wird ein bestehendes NRL-Verfahren verwendet, um Knoteneinbettungen für jedes komprimierte Netzwerk zu lernen. Schließlich werden die Knoteneinbettungen des Eingabe-Netzwerks durch das Verketten der Knoteneinbettungen aus allen komprimierten Netzwerken erzeugt. Empirische Studien zur Linkprognose auf fünf realen Datensätzen zeigen die Vorteile von HSRL im Vergleich zu den besten bisherigen Methoden.