PPPNE: 개인화된 근접성 보존 네트워크 임베딩

다양한 응용 분야에서 매우 유용함이 입증된 네트워크 임베딩은 네트워크 분석에서 핵심적인 역할을 해왔다. 최근 대부분의 연구들은 타깃 노드가 이웃 노드와 동시에 발생할 확률을 최소화함으로써 네트워크를 모델링한다. 그러나 이러한 방법들은 각 정점의 개인화된 정보성(개인화된 중요성)을 충분히 포착하지 못할 수 있다. 본 연구에서는 개인화된 순위 손실( personalized ranking loss)을 기반으로 정점의 개인화 특성을 적응적으로 포착할 수 있는 방법인 개인화된 근접성 보존 네트워크 임베딩(Personalized Proximity Preserved Network Embedding, PPPNE)을 제안한다. 이론적 분석을 통해 PPPNE가 단일층 신경망 또는 행렬 분해 기반 기존 방법들을 일반화함을 보였으며, 개인화된 근접성 보존이 더 정보가 풍부한 표현을 학습하는 데 핵심임을 주장한다. 또한, 다중 스케일에서의 네트워크 구조를 보다 효과적으로 포착하기 위해 각 정점의 거리 순서(distance ordering)를 활용한다. 본 방법은 정점 기반 샘플링 전략을 통해 효율적으로 최적화될 수 있다. 다섯 개의 실세계 네트워크에서 수행된 광범위한 실험 결과, 링크 예측 및 정점 분류와 같은 다양한 일반적인 작업에서 기존 최고 성능의 네트워크 임베딩 방법들을 상당한 성능 향상으로 능가함을 입증하였다. 또한 PPPNE는 효율적이며 병렬 계산을 통해 쉽게 가속화할 수 있어 대규모 네트워크에서도 효과적으로 적용 가능하다.