초록
본 논문에서는 가중 그래프의 정점 표현을 학습하기 위한 새로운 모델인 {GraRep}을 제안한다. 이 모델은 그래프 내에 등장하는 정점을 저차원 벡터로 표현하는 동시에, 기존의 연구들과 달리 그래프의 전반적인 구조적 정보를 학습 과정에 통합한다. 또한 본 연구와 이전의 여러 연구들, 특히 Perozzi 등이 제안한 DeepWalk 모델과 Mikolov 등이 제안한 음성 샘플링을 적용한 skip-gram 모델 간의 수학적 연결성을 체계적으로 분석한다. 언어 네트워크, 소셜 네트워크, 인용 네트워크에 대한 실험을 수행한 결과, 학습된 전역적 표현이 클러스터링, 분류, 시각화와 같은 다양한 작업에서 효과적인 특징으로 활용될 수 있음을 입증하였다. 실증 결과는 본 모델의 표현이 이러한 작업에서 기존 최고 수준의 방법들보다 뚜렷이 우수함을 보여준다.