초록
네트워크 임베딩은 네트워크의 효과적인 특성 표현을 학습하는 데 매우 인기가 있습니다. 자연어 처리에서 최근 임베딩의 성공에 영감을 받아 연구자들은 노드 분류와 엣지 예측 등의 마이닝 작업을 위해 기계 학습 알고리즘을 활용하기 위한 네트워크 임베딩을 찾기 위해 노력해 왔습니다. 그러나 대부분의 연구는 노드의 분산 표현을 찾는 데 초점을 맞추고 있으며, 이는 커뮤니티 검출과 같은 직관적으로 서브그래프에 의존적인 작업에는 적합하지 않습니다.이에 우리는 서브그래프의 임의적인 특성 표현을 학습하기 위한 비지도 및 확장 가능한 알고리즘인 sub2vec를 제안합니다. 서브그래프 간 유사성을 특징화하는 방법을 제공하며, sub2vec의 이론적 분석을 통해 이른바 국소 근접성을 보존함을 입증합니다. 또한, 커뮤니티 검출과 같은 네트워크 마이닝 작업에 sub2vec를 활용하여 그 사용성을 강조합니다. 우리는 sub2vec가 최신 방법들과 노드 임베딩 방법들보다 상당한 개선 효과를 나타냄을 보여줍니다. 특히, sub2vec는 서브그래프의 특성을 더 풍부하게 표현하고 추론을 지원할 수 있는 방안을 제공합니다.