요약

<aside> 📖 **Node Embedding이란? “네트워크에 있는 유사한 노드들이 임베딩 되었을 때도 유사하게 임베딩 되는 것” ⇒ network 정보를 인코딩 할 수 있고, downstream prediction(다른 task)에도 유용함. Embedding을 위해서는 (1) Encoder와 (2)Similarity Function을 정의하는 것이 중요함. (1) Encoding: Node Representation 생성 (2) Node Similarity: “노드의 유사성을 어떻게 정의할 것인가?” → Random Walk를 통해 학습 Random Walk: “임의의 시작점에서 고정 길이로 랜덤하게 방문한 곳이 이웃 노드” Node2Vec: “Random Walk에서 Global도 고려하자” → BFS는 주위 노드 탐색 + DFS 넓은 노드 방문

Graph Embedding이란? “Graph, Sub-Graph를 임베딩하여 vector화 시킴

1. Node Embedding을 sum/avg
2. sub-graph를 node화 (virtual node)로 임베딩
3. Anonymous Walk Embeddings: Random Walk+ 노드 정보x 순서 고려(Sequence)**

</aside>

Intro

Node Embedding

Node Similarity

어떻게 노드 사이의 유사도를 정의할 것인가? → Random Walks

고려할 점

• are linked? 연결되어 있는가?
• share neighbors? 이웃을 공유하는가?
• have similar “structural roles”? 구조적으로 비슷한가?

⇒ random walks를 이용하여 node similarity 정의

Random Walks

네트워크 구조의 일부 측면이 보존되도록 노드의 좌표 집합을 추정

• unsupervised Learning/Self-supervised Learning 이용

  • 모든 노드/링크에 있는 정보를 사용하지 않음

• task-independent: node나 edge에 대해 훈련하지 않음

  → 네트워크 자체를 제공

What is Random Walks?

임의의 노드에서 시작하여 일정 길이 l만큼 random하게 이웃 노드를 방문한 후, sequence로 이용