GraRep: Lernen von Graphendarstellungen mit globaler struktureller Information

In diesem Artikel präsentieren wir {GraRep}, ein neuartiges Modell zur Lernung von Knotenrepräsentationen gewichteter Graphen. Das Modell lernt niedrigdimensionale Vektoren, um Knoten in einem Graphen darzustellen, und integriert im Gegensatz zu bestehenden Ansätzen Informationen über die globale Struktur des Graphen in den Lernprozess. Zudem führen wir eine formale Analyse der Beziehungen zwischen unserer Arbeit und mehreren vorangegangenen Forschungsarbeiten durch, darunter das DeepWalk-Modell von Perozzi et al. sowie das Skip-gram-Modell mit Negativ-Sampling von Mikolov et al. Wir führen Experimente an einem Sprachnetzwerk, einem sozialen Netzwerk sowie einem Zitierungsnetzwerk durch und zeigen, dass unsere gelernten globalen Repräsentationen effektiv als Merkmale für Aufgaben wie Clustering, Klassifikation und Visualisierung eingesetzt werden können. Empirische Ergebnisse belegen, dass unsere Repräsentationen in solchen Aufgaben erheblich besser abschneiden als andere aktuelle state-of-the-art-Methoden.