چگونه می توانیم از نمودارها به عنوان ورودی برای یک شبکه یادگیری عمیق استفاده کنیم؟

در این پست من خیلی کوتاه در مورد روش های مدولاسیون و روش Node2Vec صحبت خواهم کرد.

توجه: این پست با گذشت زمان به روز می شود.

روش های جاسازی گروهی از تکنیک های تبدیل انواع مختلف ورودی ها ، مانند متن یا تصاویر به ورودی های قابل درک برای شبکه های عصبی است. به سادگی ، مجموعه ای از روش ها که ورودی های مورد نظر را به بردارهای ویژگی تبدیل می کنند.

زیرا شبکه های یادگیری عمیق فقط آرایه های یک بعدی یا به اصطلاح بردارهای ویژگی را به عنوان ورودی می پذیرند. بنابراین ، تمام ورودی ها باید قبل از تحویل به شبکه عصبی به یک گذرگاه ویژگی تبدیل شوند. بردارهای ویژگی آرایه های تک بعدی از ویژگی ها هستند.

به عنوان مثال ، در پروژه های تجزیه و تحلیل احساسات که ما نیاز به یک دسته متون مختلف برای آموزش به شبکه داریم ، باید هر کلمه در بدن را به یک بردار مشخص تبدیل کنیم. در پردازش متن ، چندین روش به نام word embed یا word embed مانند word2vec ، دستکش ، fasttext ، bert و ELMO برای ایجاد بردارهای مجزا برای متن انجام می شود. ظهور این روش ها انقلابی در پردازش کلمات ایجاد کرد.

بنابراین اگر داده های ما در نمودارها باشد باید چه کار کنیم ؟؟؟؟ چگونه می توانیم داده های گرافیکی را به شبکه های عصبی تغذیه کنیم ؟؟؟ همانطور که قبلاً می دانیم ، نمودارها مجموعه ای از گره ها یا رئوس متصل به لبه های مختلف هستند. هر لبه ممکن است جهت و وزن داشته باشد.

در سال 2016 ، دو دانشجوی دکترای استنفورد راهی برای تبدیل داده های گرافیکی به بردار ویژگی ارائه دادند. در واقع ، Node2vec یک روش تعبیه شده برای تبدیل داده های گرافیکی به بردارهای ویژگی است که از طریق یک شبکه یادگیری عمیق قابل درک است.

ایده اصلی Node2vec از این واقعیت ناشی می شود که هر جمله در واقع شامل یک نمودار برداری ساده است ، جایی که هر کلمه در واقع یک نمودار گره است و توالی کلمه را در لبه جمله تشکیل می دهد. به عنوان مثال ، “من خوب هستم” می تواند به عنوان یک نمودار ساده روند در زیر نشان داده شود.

در نتیجه ، اگر بتوانیم هر گرافی را به جملات تبدیل کنیم ، می توانیم از روش های تعبیه کلمه برای تبدیل جملات از نمودارها به بردارهای خاص استفاده کنیم.

همانطور که در شکل بالا نشان داده شده است ، Node2vec نمودار را دریافت کرده و آن را به صورت ورودی بیان کرده و روابط بین گره ها را استخراج می کند. در واقع این روابط گروهی از جملات را تشکیل می دهد.

در مرحله بعد ، از روش word2vec مبتنی بر حذف گرم استفاده می شود (همانطور که قبلاً می دانیم ، word2vec یک روش تعبیه کلمه است که بر اساس کیسه مداوم یا جستجوی گرم کار می کند) برای تبدیل این جملات به بردارهای مشخصه. این بردارهای ویژگی را می توان به عنوان ورودی به شبکه عصبی داد.