要約
本稿では、重み付きグラフの頂点表現を学習するための新規モデルである{GraRep}を提案する。本モデルは、グラフに現れる頂点を低次元ベクトルで表現する一方で、従来の手法とは異なり、グラフのグローバル構造情報を学習プロセスに統合する。また、本研究とPerozziらのDeepWalkモデル、およびMikolovらの負例サンプリング付きskip-gramモデルとの間の理論的関係を形式的に分析している。言語ネットワーク、ソーシャルネットワーク、引用ネットワークの3つの実験データに対して評価を行い、学習されたグローバル表現がクラスタリング、分類、可視化などのタスクにおいて有効な特徴として利用できることを示した。実験結果から、本モデルの表現はこれらのタスクにおいて、他の最先端手法を顕著に上回ることが明らかになった。