بهبود گراف زوم؛ چارچوبی برای یادگیری بازنمایی گراف

Abstract

بازنمایی گره‌های گراف با بردار امبدینگ می‌تواند کاربردهای مختلفی از یادگیری ماشین را در گراف تعریف کند؛ کاربردهایی مانند پیش‌بینی و رده‌بندی که در سطح گره‌ و/یا یال بازتعریف می‌شوند. برای ایجاد بازنمایی برای گره‌های گراف می‌توان از روشهای سلسله مراتبی استفاده کرد. گراف‌زوم یکی از الگوریتم‌های یادگیری بازنمایی گره‌ است که به صورت سلسله مراتبی کار می‌کند. ورودی گراف زوم یک گراف وزن‌دار است. پس باید گراف ورودی وزن دار شود. در روش اصلی برای این قسمت، تنها از اطلاعات محتوایی گره‌ها استفاده می‌شود (فرض می‌شود که در هر گره‌ محتوایی وجود دارد و هر چقدر دو گره‌ محتوایی شبیه‌تر داشته باشند، باید وزن بین آن دو بیشتر شود). در این مقاله، اطلاعات ساختاری نیز در نظر گرفته می‌شود تا روشهای مختلفی برای وزن دار کردن گراف پیشنهاد شود (هر چقدر مسیرهای ارتباطی میان دو گره‌ در گراف بیشتر باشد، وزن روی یال بین آن دو بیشتر می‌شود). روشهای پیشنهادی این مقاله منجر به تولید سه نسخه متفاوت از گراف زوم می‌شود: ساخت گراف وزن‌دار تنها با استفاده از اطلاعات محتوایی، ساخت گراف وزن‌دار تنها با استفاده از اطلاعات ساختاری و ساخت گراف وزن‌دار با استفاده از یک ترکیب خطی از اطلاعات ساختاری و محتوایی. آزمایشهای انجام شده نشان می‌دهد که استفاده از اطلاعات ساختاری منجر به بهبود جزیی معیارهای کارایی می‌شوند. اما نکته جالب آن است که استفاده از ترکیب اطلاعات ساختاری و محتوایی در وزن‌دار کردن گراف ورودی منجر به افزایش سرعت قابل توجه در گراف زوم می‌شود؛ حداقل 24 درصد در تمامی آزمایش‌ها.