Machine Learning in Social Networks: Embedding Nodes, Edges, Communities, and Graphs

این کتاب به یادگیری بازنمایی شبکه می پردازد. با جاسازی گره ها، لبه ها، زیرگراف ها و نمودارها سروکار دارد. علاقه فزاینده ای به درک سیستم های پیچیده در حوزه های مختلف از جمله بهداشت، آموزش، کشاورزی و حمل و نقل وجود دارد. چنین سیستم های پیچیده ای با مدل سازی، با استفاده از شبکه هایی که به درستی شبکه های پیچیده نامیده می شوند، تجزیه و تحلیل می شوند. شبکه ها در حال تبدیل شدن به همه جا هستند زیرا می توانند بسیاری از داده های رابطه ای دنیای واقعی را نشان دهند، به عنوان مثال، شبکه های اطلاعاتی، ساختارهای مولکولی، شبکه های مخابراتی و شبکه های تعامل پروتئین-پروتئین. تجزیه و تحلیل این شبکه ها در بسیاری از زمینه ها مانند توصیه (توصیه دوستان در یک شبکه اجتماعی)، زمینه بیولوژیکی (استنتاج ارتباط بین پروتئین ها برای درمان بیماری های جدید) و تشخیص جامعه (گروه بندی کاربران یک شبکه اجتماعی بر اساس علایق آنها) با استفاده از اهرم مزایایی را فراهم می کند. اطلاعات پنهان شبکه ها یک حوزه فعال و مهم مورد علاقه فعلی، ارائه الگوریتم هایی است که ویژگی ها را با جاسازی گره ها یا (زیر) نمودارها در یک فضای برداری یاد می گیرند. این وظایف تحت چتر گسترده یادگیری بازنمایی قرار می گیرند. یک مدل یادگیری بازنمایی یک تابع نگاشت را می آموزد که اطلاعات ساختار نمودارها را به یک فضای برداری با ابعاد پایین/بالا تبدیل می کند که تمام خصوصیات مربوطه را حفظ می کند.

This book deals with network representation learning. It deals with embedding nodes, edges, subgraphs and graphs. There is a growing interest in understanding complex systems in different domains including health, education, agriculture and transportation. Such complex systems are analyzed by modeling, using networks that are aptly called complex networks. Networks are becoming ubiquitous as they can represent many real-world relational data, for instance, information networks, molecular structures, telecommunication networks and protein–protein interaction networks. Analysis of these networks provides advantages in many fields such as recommendation (recommending friends in a social network), biological field (deducing connections between proteins for treating new diseases) and community detection (grouping users of a social network according to their interests) by leveraging the latent information of networks. An active and important area of current interest is to come out with algorithms that learn features by embedding nodes or (sub)graphs into a vector space. These tasks come under the broad umbrella of representation learning. A representation learning model learns a mapping function that transforms the graphs' structure information to a low-/high-dimension vector space maintaining all the relevant properties.