Ağ yapılı veriler için öznitelik tabanlı özellik öğrenimi

Ağlar, birçok gerçek hayat senaryosunda veriler (düğümler) arasındaki etkileşimleri (bağlantıları) yakalama yeteneklerinden dolayı birçok sistemde yaygın olarak kullanılmaktadır. Ağlar, makine öğreniminde farklı tahmin tabanlı analizler yapmak için kullanılabilir. Ancak mevcut makine öğrenimi algoritmaları, veri örneklerinin birbirinden bağımsız olduğu ve ağ yapılı verilerin düzensiz ve değişken boyutlu doğası nedeniyle ağ bilgilerinin makine öğrenimine dahil edilmesini engellediği yönünde temel bir varsayıma sahiptir. Son zamanlarda, ağdaki yapısal bilgiyi koruyarak her düğüm için düşük boyutlu bir vektör temsilini öğrenmeyi amaçlayan özellik öğrenme yöntemleri önerilmiştir. Bu teknikler yalnızca ağın topoloji bilgisinden faydalanır ve düğüm özniteliklerini dikkate almaz. Ancak gerçek dünya ağları genellikle çok sayıda düğüme ve yüksek boyutlu düğüm özniteliklerine sahiptir. Bu çalışmada, topoloji bilgisinin yanı sıra düğüm özniteliklerinden faydalanmak için rasgele yürüyüş prensibini benimseyen node2vec yönteminin nasıl genişletilebileceği gösterilmiştir. Node2vec'teki bir rasgele yürüyüş, düğüm kimlikleri dizisi olarak temsil edilir, öznitelikleri kullanmak için düğüm kimlikleri dizisi yerine özellik vektörleri dizisi kullanılır. Tek kategorik özniteliğe sahip ağlar için node2vec-öznitelik, çok nitelikli ağlar için ise node2vec-öznitelik+ modelleri önerilmiştir. Önerilen yaklaşımların yapısal rollerin benzerliği ve düğüm sınıflandırması üzerindeki etkinliğini değerlendirmek için gerçek dünya veri setleri üzerinde çeşitli testler gerçekleştirilmiştir. Gerçekleştirilen tüm deneysel çalışmalar, her bir algoritmanın etkinliğini kanıtlamaktadır. Genel olarak sunulan sonuçlar, önerilen modellerin ağ ile ilişkili düğüm içerik bilgilerini yakalama ve kodlama konusundaki etkinliğini ve sağlamlığını ortaya koymaktadır.