Resumen

El embedding de redes tiene como objetivo aprender las representaciones de baja dimensionalidad de los nodos en redes. Preserva la estructura y atributos internos de las redes mientras representa los nodos como vectores densos de valores reales de baja dimensionalidad. Estos vectores se utilizan como entradas de algoritmos de aprendizaje automático para tareas de análisis de redes como el agrupamiento de nodos, clasificación, predicción de enlaces y visualización de redes. Los algoritmos de embedding de redes, que consideran la estructura de la comunidad, imponen un nivel más alto de restricción en la similitud de los nodos, lo que hace que los resultados del embedding de nodos aprendidos sean más discriminativos. Sin embargo, los algoritmos existentes de aprendizaje de representación de redes son en su mayoría modelos no supervisados; la información de restricción por pares, que representa la membresía a la comunidad, no se utiliza de manera efectiva para obtener resultados de embedding de nodos que sean más consistentes con el conocimiento previo. Este artículo propone un modelo de factorización de matrices no negativas modularizado semis

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Incrustación de red; Nodos; Representaciones de baja dimensión; Algoritmos de aprendizaje automático; Estructura de comunidad; Restricciones de pares
• Keywords:Network embedding; Nodes; Low-dimensional representations; Machine learning algorithms; Community structure; Pairwise constraints