بهبود گراف زوم؛ چارچوب يادگيري بازنمايي گراف

بازنمايي گره‌هاي گراف با بردار امبدينگ مي‌تواند كاربردهاي مختلفي از يادگيري ماشين را در گراف تعريف كند؛ كاربردهايي مانند پيش‌بيني و رده‌بندي كه در سطح گره‌ و/يا يال بازتعريف مي‌شوند. براي ايجاد بازنمايي براي گره‌هاي گراف مي‌توان از روشهاي سلسله مراتبي استفاده كرد. گراف‌زوم يكي از الگوريتم‌هاي يادگيري بازنمايي گره‌ است كه به صورت سلسله مراتبي كار مي‌كند. ورودي گراف زوم يك گراف وزن‌دار است. پس بايد گراف ورودي وزن دار شود. در روش اصلي براي اين قسمت، تنها از اطلاعات محتوايي گره‌ها استفاده مي‌شود (فرض مي‌شود كه در هر گره‌ محتوايي وجود دارد و هر چقدر دو گره‌ محتوايي شبيه‌تر داشته باشند، بايد وزن بين آن دو بيشتر شود). در اين مقاله، اطلاعات ساختاري نيز در نظر گرفته مي‌شود تا روشهاي مختلفي براي وزن دار كردن گراف پيشنهاد شود (هر چقدر مسيرهاي ارتباطي ميان دو گره‌ در گراف بيشتر باشد، وزن روي يال بين آن دو بيشتر مي‌شود). روشهاي پيشنهادي اين مقاله منجر به توليد سه نسخه متفاوت از گراف زوم مي‌شود: ساخت گراف وزن‌دار تنها با استفاده از اطلاعات محتوايي، ساخت گراف وزن‌دار تنها با استفاده از اطلاعات ساختاري و ساخت گراف وزن‌دار با استفاده از يك تركيب خطي از اطلاعات ساختاري و محتوايي. آزمايشهاي انجام شده نشان مي‌دهد كه استفاده از اطلاعات ساختاري منجر به بهبود جزيي معيارهاي كارايي مي‌شوند. اما نكته جالب آن است كه استفاده از تركيب اطلاعات ساختاري و محتوايي در وزن‌دار كردن گراف ورودي منجر به افزايش سرعت قابل توجه در گراف زوم مي‌شود؛ حداقل 24 درصد در تمامي آزمايش‌ها.