node2vec

Les tâches de prédiction sur les nœuds et les arêtes dans les réseaux nécessitent un effort minutieux dans l'ingénierie des caractéristiques utilisées par les algorithmes d'apprentissage. Des recherches récentes dans le domaine plus large de l'apprentissage de représentations ont conduit à des progrès significatifs dans l'automatisation de la prédiction en apprenant les caractéristiques elles-mêmes. Cependant, les approches actuelles d'apprentissage des caractéristiques ne sont pas suffisamment expressives pour capturer la diversité des motifs de connectivité observés dans les réseaux. Ici, nous proposons node2vec, un cadre algorithmique pour apprendre des représentations de caractéristiques continues pour les nœuds dans les réseaux. Dans node2vec, nous apprenons un mappage des nœuds vers un espace de caractéristiques de faible dimension qui maximise la probabilité de préservation des voisinages de nœuds dans le réseau. Nous définissons une notion flexible du voisinage réseau d'un nœud et concevons une procédure de marche aléatoire biaisée, qui explore efficacement des voisinages divers. Notre algorithme généralise les travaux antérieurs qui sont basés sur des notions rigides de voisinages réseau, et nous soutenons que la flexibilité ajoutée dans l'exploration des voisinages est la clé pour apprendre des représentations plus riches.