1 |
1
임베딩 시스템에 의해 수행되는 네트워크 임베딩 방법에 있어서,방향 네트워크를 구성하는 각 노드에 대하여 엣지 형성과 연관된 복수 개의 팩터에 기반하여 노드 별 팩터 임베딩을 표현하는 단계;상기 방향 그래프의 구조 정보를 참조하여 상기 방향 네트워크 내 각 실존 엣지 별 네거티브 샘플링을 수행하는 단계; 및상기 네거티브 샘플링을 통해 생성된 트리플렛을 이용하여 상기 노드 별 팩터 임베딩 내에 각 노드의 팩터로서의 특성이 보존되도록 상기 각 노드의 팩터 임베딩들을 학습하는 단계 를 포함하는 네트워크 임베딩 방법
|
2 |
2
제1항에 있어서,상기 노드 별 팩터 임베딩으로 표현하는 단계는,상기 방향 네트워크를 구성하는 각 노드에 대하여 엣지 형성에 영향을 미치는 복수 개의 팩터를 정의하는 단계를 포함하는 네트워크 임베딩 방법
|
3 |
3
제2항에 있어서,상기 노드 별 팩터 임베딩으로 표현하는 단계는,상기 정의된 복수 개의 팩터에 따라 각 노드에 대한 소스 임베딩을 복수 개의 서브 임베딩으로 분리하고, 상기 각 노드에 대한 타겟 임베딩을 복수 개의 서브 임베딩으로 분리하여 노드 별 팩터 임베딩을 표현하는 단계 를 포함하는 네트워크 임베딩 방법
|
4 |
4
제3항에 있어서,상기 노드 별 팩터 임베딩으로 표현하는 단계는,상기 표현된 노드 별 팩터 임베딩을 이용하여 엣지 형성에 상기 복수 개의 서브 임베딩이 영향을 미친 정도를 나타내는 팩터 스코어를 추론하는 단계를 포함하는 네트워크 임베딩 방법
|
5 |
5
제1항에 있어서, 상기 네거티브 샘플링을 수행하는 단계는,상기 방향 네트워크를 구성하는 상기 각 노드의 차수 정보와 상기 각 노드에 대한 엣지 방향 정보에 기반하여 차수(degree)와 관련된 바이어스의 영향을 탐색하기 위한 상기 방향 네트워크 내 각 실존 엣지 별 네거티브 샘플링을 수행하는 단계를 포함하는 네트워크 임베딩 방법
|
6 |
6
제5항에 있어서, 상기 네거티브 샘플링을 수행하는 단계는,엣지 권한 팩터를 캡쳐할 수 있는 트리플렛 셋과 허브 팩터를 캡쳐할 수 있는 트리플렛 셋을 샘플링하는 단계 를 포함하는 네트워크 임베딩 방법
|
7 |
7
제6항에 있어서, 상기 네거티브 샘플링을 수행하는 단계는,실존 엣지에서 어느 하나의 실존 엣지가 가리키지 않는 타겟들 중 랜덤하게 샘플링된 네거티브 타겟들이 포함된 트리플렛 셋을 획득하고, 파지티브 타겟 및 네거티브 타겟의 인-디그리(in-degree)를 고려하여 트리플렛 셋을 복수 개의 서브 셋으로 분할하고, 상기 분할된 복수 개의 서브 셋을 기반으로 엣지 형성에 파지티브 타겟의 인-디그리와 관련된 바이어스의 영향을 캡쳐하는 단계를 포함하는 네트워크 임베딩 방법
|
8 |
8
제6항에 있어서, 상기 네거티브 샘플링을 수행하는 단계는,실존 엣지에서 다른 하나의 실존 엣지가 가리키지 않는 소스들 중 랜덤하게 샘플링된 네거티브 소스들이 포함된 트리플렛 셋을 획득하고, 파지티브 소스 및 네거티브 소스의 아웃-디그리(out-degree)를 고려하여 트리플렛 셋을 복수 개의 서브 셋으로 분할하고, 상기 분할된 복수 개의 서브 셋을 기반으로 엣지 형성에 파지티브 소스의 아웃-디그리와 관련된 바이어스의 영향을 캡쳐하는 단계를 포함하는 네트워크 임베딩 방법
|
9 |
9
제1항에 있어서,상기 학습하는 단계는, 상기 네거티브 샘플링을 통해 생성된 트리플렛으로부터 엣지 로스를 기반으로 소스들의 소스 임베딩들과 타겟들의 타겟 임베딩들을 학습하는 단계를 포함하는 네트워크 임베딩 방법
|
10 |
10
제9항에 있어서,상기 학습하는 단계는, 복수 개의 팩터를 이용하여 각 팩터 임베딩에 요구되는 팩터를 보존할 수 있는 복수 개의 태스크를 수행하는 단계를 포함하는 네트워크 임베딩 방법
|
11 |
11
제10항에 있어서,상기 학습하는 단계는, 트리플렛을 기반으로 권한 팩터를 캡쳐하기 위한 권한 태스크에서 상기 트리플렛에서 실존 엣지의 타겟의 인-디그리(in-degree)와 미실존 엣지의 타겟의 인-디그리 간의 불평등(inequality)에 따라 다른 학습을 수행하는 단계를 포함하는 네트워크 임베딩 방법
|
12 |
12
제10항에 있어서,상기 학습하는 단계는, 트리플렛을 기반으로 허브 팩터를 캡쳐하기 위한 허브 태스크에서 상기 트리플렛에서 실존 엣지의 소스의 아웃-디그리(out-degree)와 미실존 엣지의 소스의 아웃-디그리 간의 불평등(inequality)에 따라 다른 학습을 수행하는 단계를 포함하는 네트워크 임베딩 방법
|
13 |
13
제10항에 있어서,상기 학습하는 단계는, 상기 복수 개의 태스크에 대한 멀티 태스크 학습을 수행하는 단계를 포함하는 네트워크 임베딩 방법
|
14 |
14
제1항 내지 제13항 중 어느 한 항의 네트워크 임베딩 방법을 상기 임베딩 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램
|
15 |
15
임베딩 시스템에 있어서,방향 네트워크를 구성하는 각 노드에 대하여 엣지 형성과 연관된 복수 개의 팩터에 기반하여 노드 별 팩터 임베딩을 표현하는 팩터 임베딩부;상기 방향 그래프의 구조 정보를 참조하여 상기 방향 네트워크 내 각 실존 엣지 별 네거티브 샘플링을 수행하는 네거티브 샘플링부; 및상기 네거티브 샘플링을 통해 생성된 트리플렛을 이용하여 상기 노드 별 팩터 임베딩 내에 각 노드의 팩터로서의 특성이 보존되도록 상기 각 노드의 팩터 임베딩들을 학습하는 임베딩 학습부 를 포함하는 임베딩 시스템
|