Итеративное построение графовых эмбеддингов и кластеризации

Как правило, построение графовых эмбеддингов есть ничто иное как трансформация общепринятого представления графа, как например матрица смежности, в некоторое компактное векторное пространство, где каждой вершине графа ставится в 1-1с соответствие определенный вектор, полученный из анализа заданного графа. Такое геометрическое представление является очень удобным, так как позволяет нам перейти от абстрактного представления графа к классическому векторному представлению, что очень удобно для дальнейшего использования классических методов машинного обучения. Одной из задач, связанных с анализом графов, является задача представления графа на плоскости с сохранением структурных особенностей графа, которые должны быть сохранены при процессе трансформации графа в эмбеддинговое пространство. Одной из таких структурных особенностей является презервация расстояний между вершинами графа и их плотность распределения. Традиционные алгоритмы не всегда позволяют установить такие связи на основе более высокого иерархического слоя, каким является уровень сообществ в графе. Однако в недавних работах было показано, что исследование графовых сообществ позволяет лучше передать свойства близости и расстояний между отдельными вершинами. И наоборот, эмбеддинг, сохранивший в себе информацию о близости отдельных вершин позволяет улучшить качество кластеризации и нахождение сообществ в графе. Иными словами, было показано что решение дуальной задачи трансформации графа в эмбеддинговое пространство и нахождение сообществ при условии совместного разделения информации позволяет улучшить метрики как первой проблемы, так и второй. Главной задачей нашей работы является исследование таких гибридных методов с целью установления их сильных сторон, а также исследование их дальнейшего потенциала. В нашей работе мы сравниваем итеративные алгоритмы построения графовых эмбеддингов и кластеризации с классическими методами решения этих проблем по отдельности и проводим сравнительный анализ. В качестве результата мы представляем модель, которая превосходит предыдущие итеративные методы, которые решают каждую из проблем по отдельности.