Two Layer Walk: A Community-Aware Graph Embedding

要約

コミュニティ構造は、ネットワークのメゾスコピックな組織を理解し、ローカルとグローバルのパターンを橋渡しするために重要です。
DeepWalk や Node2vec などの方法は、ランダム ウォークを通じてローカルの位置情報を取得しますが、コミュニティ構造を保持できません。
モジュール化された非負行列因数分解や進化的アルゴリズムなどの他のアプローチは、このギャップに対処しますが、計算コストが高く、大規模ネットワークには適していません。
これらの制限を克服するために、階層コミュニティ構造を組み込んだ新しいグラフ埋め込みアルゴリズムである Two Layer Walk (TLWalk) を提案します。
TLWalk は、追加パラメーターを必要とせずに、コミュニティを意識したランダム ウォーク メカニズムを通じてコミュニティ内およびコミュニティ間の関係のバランスをとります。
理論分析により、TLWalk が局所性バイアスを効果的に軽減することが実証されています。
ベンチマーク データセットの実験では、TLWalk が最先端の手法を上回り、リンク予測タスクの精度が最大 3.2% 向上することが示されました。
TLWalk は、密なローカル構造と疎なグローバル構造をエンコードすることにより、多様なネットワークにわたって堅牢性とスケーラビリティを実証し、ネットワーク分析のための効率的なソリューションを提供します。

要約(オリジナル)

Community structures are critical for understanding the mesoscopic organization of networks, bridging local and global patterns. While methods such as DeepWalk and node2vec capture local positional information through random walks, they fail to preserve community structures. Other approaches like modularized nonnegative matrix factorization and evolutionary algorithms address this gap but are computationally expensive and unsuitable for large-scale networks. To overcome these limitations, we propose Two Layer Walk (TLWalk), a novel graph embedding algorithm that incorporates hierarchical community structures. TLWalk balances intra- and inter-community relationships through a community-aware random walk mechanism without requiring additional parameters. Theoretical analysis demonstrates that TLWalk effectively mitigates locality bias. Experiments on benchmark datasets show that TLWalk outperforms state-of-the-art methods, achieving up to 3.2% accuracy gains for link prediction tasks. By encoding dense local and sparse global structures, TLWalk proves robust and scalable across diverse networks, offering an efficient solution for network analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google