| 1 |
1
누락된 셀 값을 갖는 인접 행렬로서 표현된 불완전한 네트워크 정보가 입력되면 누락된 링크의 확률을 갖는 그래프를 얻기 위해 노드 임베딩(node2vec)을 수행하는 노드 임베딩부;상기 노드 임베딩부에서 구해진 링크 확률로부터 여러 번 샘플링을 통해 완전한 인접 행렬의 다른 샘플들을 획득하는 샘플링부;상기 샘플링부에서 구해진 각 샘플에서 노드 임베딩(node2vec) 기술을 개별적으로 수행하여 누락된 링크의 업데이트된 확률을 획득하는 샘플 단위 임베딩부;상기 샘플 단위 임베딩부에 의해 모든 샘플에서 취득한 확률 값들을 평균하는 평균 출력부;샘플링 및 샘플 단위 임베딩을 수행하여 확률값들을 평균하는 과정을 반복하기 위한 수행 횟수를 결정하는 반복 임베딩 수행 결정부;샘플링 및 샘플 단위 임베딩을 수행하여 얻어진 최종 링크 예측 결과값을 출력하는 최종 링크 예측 결과값 출력부;를 포함하고,노드 임베딩(node2vec) 기술은, 네트워크 임베딩을 수행하기 위해 양수 및 음수 링크의 잠재적인 표현을 기반으로 한 차별적인(discriminative) 모델을 훈련하기 위한 것으로, 이를 기반으로 링크 예측을 수행하고, 예측 프로세스가 반복될 때마다 새로 발견된 링크의 업데이트를 통해 연결 누락 확률을 지속적으로 평가하기 위해 EM 알고리즘을 사용하는 것을 특징으로 하는 기댓값 최대화 기반 네트워크 임베딩을 활용한 링크 예측 장치
|
| 2 |
2
제 1 항에 있어서, 반복 임베딩 수행 결정부는,샘플링 및 샘플 단위 임베딩을 수행하여 확률값들을 평균하는 과정을 반복하기 위한 수행 횟수를 누락된 링크 확률의 변화가 사전에 정한 임계값보다 작아질 때까지 반복하도록 결정하는 것을 특징으로 하는 기댓값 최대화 기반 네트워크 임베딩을 활용한 링크 예측 장치
|
| 3 |
3
삭제
|
| 4 |
4
제 1 항에 있어서, EM 알고리즘은,누락된 링크를 샘플링하여 원래의 그래프에 추가하는 기댓값 단계(E-단계)와,새로 추가된 에지를 기준으로 임베딩 공간을 다시 계산하는 최대화 단계(M-단계)를 반복적으로 수행하는 것을 특징으로 하는 기댓값 최대화 기반 네트워크 임베딩을 활용한 링크 예측 장치
|
| 5 |
5
제 1 항에 있어서, EM 알고리즘에 의한 예측 프로세스의 최종 출력은 링크가 실제로 네트워크에서 누락될 확률을 나타내는 것을 특징으로 하는 기댓값 최대화 기반 네트워크 임베딩을 활용한 링크 예측 장치
|
| 6 |
6
누락된 셀 값을 갖는 인접 행렬로서 표현된 불완전한 네트워크 정보가 입력되면 누락된 링크의 확률을 갖는 그래프를 얻기 위해 노드 임베딩(node2vec)을 수행하는 노드 임베딩 단계;상기 노드 임베딩 단계에서 구해진 링크 확률로부터 여러 번 샘플링을 통해 완전한 인접 행렬의 다른 샘플들을 획득하는 샘플링 단계;상기 샘플링 단계에서 구해진 각 샘플에서 노드 임베딩(node2vec) 기술을 개별적으로 수행하여 누락된 링크의 업데이트된 확률을 획득하는 샘플 단위 임베딩 단계;상기 샘플 단위 임베딩 단계에 의해 모든 샘플에서 취득한 확률 값들을 평균하는 평균 출력 단계;샘플링 및 샘플 단위 임베딩을 수행하여 확률값들을 평균하는 과정을 반복하기 위한 수행 횟수를 결정하는 반복 임베딩 수행 결정 단계;샘플링 및 샘플 단위 임베딩 단계를 반복 수행하여 얻어진 최종 링크 예측 결과값을 출력하는 최종 링크 예측 결과값 출력 단계;를 포함하고,노드 임베딩 단계 및 샘플 단위 임베딩 단계에서의 노드 임베딩(node2vec) 기술은, 네트워크 임베딩을 수행하기 위해 양수 및 음수 링크의 잠재적인 표현을 기반으로 한 차별적인(discriminative) 모델을 훈련하기 위한 것으로 이를 기반으로 링크 예측을 수행하고, 예측 프로세스가 반복될 때마다 새로 발견된 링크의 업데이트를 통해 연결 누락 확률을 지속적으로 평가하기 위해 EM 알고리즘을 사용하는 것을 특징으로 하는 기댓값 최대화 기반 네트워크 임베딩을 활용한 링크 예측 방법
|
| 7 |
7
제 6 항에 있어서, 반복 임베딩 수행 결정 단계에서는,샘플링 및 샘플 단위 임베딩을 수행하여 확률값들을 평균하는 과정을 반복하기 위한 수행 횟수를 누락된 링크 확률의 변화가 사전에 정한 임계값보다 작아질 때까지 반복하도록 결정하는 것을 특징으로 하는 기댓값 최대화 기반 네트워크 임베딩을 활용한 링크 예측 방법
|
| 8 |
8
삭제
|
| 9 |
9
제 6 항에 있어서, EM 알고리즘은,누락된 링크를 샘플링하여 원래의 그래프에 추가하는 기댓값 단계(E-단계)와,새로 추가된 에지를 기준으로 임베딩 공간을 다시 계산하는 최대화 단계(M-단계)를 반복적으로 수행하는 것을 특징으로 하는 기댓값 최대화 기반 네트워크 임베딩을 활용한 링크 예측 방법
|
| 10 |
10
제 9 항에 있어서, EM 알고리즘에서 노드 임베딩을 학습하는 것은,특징 표현 f(u)가 조건으로 주어질 때 Ns(u)로 표기된 전략 S에 의해 얻어진 노드 u의 네트워크 내 이웃 노드들을 관찰하는 로그 확률을 최대로 하는 것으로,으로 정의되는 것을 특징으로 하는 기댓값 최대화 기반 네트워크 임베딩을 활용한 링크 예측 방법
|
| 11 |
11
제 10 항에 있어서, 노드 임베딩으로부터 에지 레이블 와 함께 에지 임베딩 G를 얻고,최적 업무는 θ로 매개 변수화된 주어진 G에 대해 를 관찰할 로그 확률을 최대화하는 이진 분류기를 훈련하는 것은으로 정의되고,새로운 발견 링크를 예측 프로세스의 반복으로 업데이트함으로써 노드의 이웃을 변경하는 것을 특징으로 하는 기댓값 최대화 기반 네트워크 임베딩을 활용한 링크 예측 방법
|
