Building Deterministic Node Representations from Personalized Pagerank Sequences

Um dos avanços recentes mais importantes na área de aprendizado de máquina foi a capacidade de traduzir dados de alta dimensionalidade para espaços vetoriais de dimensionalidade relativamente baixa, uma técnica conhecida como embedding. Devido à complexidade e diversidade de redes reais, embeddings surgem como um caminho para representar redes por meio de vetores, de preferência capturando informação relevante, e portanto permitindo o uso de modelos clássicos de aprendizado de máquina com dados de redes reais. Uma propriedade interessante é a identidade estrutural dos vértices de uma rede, ou a função que um vértice exerce na rede, independente de sua identidade (rótulo) e da identidade de seus vizinhos na rede. De fato, abordagens recentes geram embeddings de vértices que refletem as suas identidades estruturais. Este trabalho propõe um método para construir representações determinísticas de vértices a partir de sequências geradas com o algoritmo de Personalized PageRank (PPR), que são únicas para cada identidade estrutural, funcionando como uma "assinatura" da função estrutural dos vértices. A capacidade do método de diferenciar as identidades estruturais presentes em diferentes redes é avaliada empiricamente. Também é avaliado o seu desempenho em uma tarefa de classificação de vértices dependente das identidades estruturais dos vértices, comparando-o a métodos propostos anteriormente.