LINE : Plongement de grands réseaux d'information

Ce travail étudie le problème de l'embedding de réseaux d'information très larges dans des espaces vectoriels de faible dimension, ce qui est utile pour de nombreuses tâches telles que la visualisation, la classification des nœuds et la prédiction des liens. La plupart des méthodes d'embedding de graphes existantes ne sont pas adaptées aux réseaux d'information du monde réel, qui contiennent généralement des millions de nœuds. Dans cet article, nous proposons une nouvelle méthode d'embedding de réseau appelée « LINE », qui convient à tous les types de réseaux d'information : non orientés, orientés et/ou pondérés. Cette méthode optimise une fonction objectif soigneusement conçue pour préserver à la fois les structures locales et globales du réseau. Un algorithme d'échantillonnage d'arêtes est proposé pour surmonter la limitation du gradient stochastique classique et améliorer à la fois l'efficacité et l'efficience de l'inférence. Des expériences empiriques démontrent l'efficacité de LINE sur divers réseaux d'information du monde réel, y compris des réseaux linguistiques, sociaux et bibliographiques. L'algorithme est très efficace, capable d'apprendre l'embedding d'un réseau comportant des millions de sommets et des milliards d'arêtes en quelques heures sur une machine unique typique. Le code source de LINE est disponible en ligne.