초록
네트워크에서의 위상 정보는 노드 간의 관계를 연구하는 데 필수적입니다. 최근에, 네트워크 표현 학습(NRL)은 네트워크를 저차원 벡터 공간으로 투영하여 대규모 네트워크 분석에서 그 우위성을 입증하였습니다. 그러나 대부분의 기존 NRL 방법들은 네트워크의 국소 위상을 보존하도록 설계되어 있어 전역 위상을 포착하지 못합니다. 이 문제를 해결하기 위해, 우리는 기존 NRL 방법들이 네트워크의 국소와 전역 위상 정보를 모두 포착할 수 있도록 도와주는 새로운 NRL 프레임워크인 HSRL을 제안합니다. 구체적으로, HSRL은 커뮤니티 인식 압축 전략을 사용하여 입력 네트워크를 일련의 더 작은 네트워크로 재귀적으로 압축합니다. 그런 다음, 기존 NRL 방법을 사용하여 각 압축된 네트워크의 노드 임베딩을 학습합니다. 마지막으로, 모든 압축된 네트워크에서 얻은 노드 임베딩을 연결(concatenating)하여 입력 네트워크의 노드 임베딩을 획득합니다. 다섯 개의 실제 데이터셋에서 링크 예측에 대한 실증 연구는 HSRL이 최신 방법들보다 우월함을 보여줍니다.