Des Nombres Premiers aux Chemins : Faciliter l'Analyse Rapide des Graphes Multi-Relationnels

Les réseaux multi-relationnels captent des relations complexes dans les données et ont des applications diverses dans des domaines tels que les sciences biomédicales, financières et sociales. Alors que les réseaux dérivés de jeux de données de plus en plus volumineux deviennent de plus en plus courants, il est crucial d'identifier des méthodes efficaces pour les représenter et les analyser. Ce travail étend le cadre des Matrices d'Adjacence Premières (PAMs), qui utilise des nombres premiers pour représenter de manière unique différentes relations au sein d'un réseau. Cela permet une représentation compacte d'un graphe multi-relationnel complet à l'aide d'une seule matrice d'adjacence, facilitant ainsi le calcul rapide des matrices d'adjacence multi-sauts. Dans cette étude, nous améliorons ce cadre en introduisant un algorithme sans perte pour le calcul des matrices multi-sauts et en proposant la représentation Bag of Paths (BoP), une méthode polyvalente d'extraction de caractéristiques pour diverses tâches d'analyse de graphes, au niveau du nœud, de l'arête et du graphe. Nous démontrons l'efficacité du cadre sur diverses tâches et jeux de données, montrant que des modèles simples basés sur BoP se comparent favorablement ou surpassent les modèles neuronaux couramment utilisés tout en offrant une meilleure vitesse et interprétabilité.