Graph Embeddings

представления вершин, в которых близость отражает связанность в .

Ключевые тезисы

DeepWalk и node2vec запускают случайные блуждания и применяют к ним .
Параметры node2vec p и q задают баланс между «исследованием вширь» и «вглубь».
Полученные подаются в обычные модели — это самый простой способ использовать в бустинге.

Подробный разбор

2 подтемы — объяснения, формулы, примеры и интерактивные графики.

Из каждой вершины запускаются случайные блуждания; полученные последовательности вершин трактуются как «предложения», и к ним применяется skip-gram. Вершины, часто встречающиеся вместе в блужданиях, получают близкие .

Параметр $p$ управляет возвратом назад, $q$ — балансом между обходом вширь и вглубь.
Малое $q$ даёт «гомофилию» (близость по сообществу), большое — структурную роль вершины.
Результат — обычная , которую можно подать в .

Трансдуктивность: для новой вершины нужно доучивать — в отличие от GraphSAGE.
Динамика: меняется, устаревают; нужен регламент пересчёта.
Утечка: если рёбра, которые вы предсказываете, участвовали в обучении , метрика будет завышена.

Связанные темы

Машинное обучение на графах

Graph Basics85%

Основы графов · Графы и сети

Вершины, рёбра, веса и направления. Матрица смежности и список рёбер — два способа хранить одно и то же.

Centrality85%

Центральности · Графы и сети

Меры важности вершины: по числу связей, по посредничеству, по близости и по влиянию соседей.

PageRank85%

PageRank · Графы и сети

Стационарное распределение случайного блуждания по графу с телепортацией. Классический алгоритм ранжирования, который до сих пор используется как признак.