GraRep : Apprentissage de représentations de graphes avec des informations structurelles globales

Dans cet article, nous présentons {GraRep}, un nouveau modèle pour l’apprentissage de représentations de sommets dans les graphes pondérés. Ce modèle apprend des vecteurs de faible dimension afin de représenter les sommets apparaissant dans un graphe, et, contrairement aux approches existantes, intègre de manière explicite les informations structurelles globales du graphe dans le processus d’apprentissage. Nous analysons également formellement les liens entre notre travail et plusieurs recherches antérieures, notamment le modèle DeepWalk de Perozzi et al., ainsi que le modèle skip-gram avec échantillonnage négatif de Mikolov et al. Nous menons des expériences sur un réseau linguistique, un réseau social et un réseau de citations, et montrons que les représentations globales apprises peuvent être efficacement utilisées comme caractéristiques dans des tâches telles que le regroupement (clustering), la classification et la visualisation. Les résultats expérimentaux démontrent que notre représentation surpasse significativement d’autres méthodes de pointe dans ces tâches.