Graph data analysis using deep learning methods

Abstract

Cílem této práce je prozkoumat existující metody pro vytváření grafových embeddingů. Chceme reprezentovat vrcholy neorientovaných vážených grafů pomocí vektorů malé dimenze, taktéž označovaných jako embeddingy, a to za účelem vytvoření vhodné reprezentace pro použití v různých analyt- ických úlohách jako clustering nebo predikce hran. Nejprve představíme několik současných přístupů pro vytváření takových embeddingů. Následně navrhneme několik úprav a vylepšení a ukážeme jejich přínosy. Nakonec vytvoříme sadu metrik pro vyhodnocení výkonnosti modelů a použijeme je k experimentálnímu vyhodnocení a vzájemnému porovnání prezentovaných algoritmů na sérii úloh jako vizualizace a rekonstrukce grafů. 1

The goal of this thesis is to investigate the existing graph embedding methods. We aim to represent the nodes of undirected weighted graphs as low-dimensional vectors, also called embeddings, in order to create a rep- resentation suitable for various analytical tasks such as link prediction and clustering. We first introduce several contemporary approaches allowing to create such network embeddings. We then propose a set of modifications and improvements and assess the performance of the enhanced models. Finally, we present a set of evaluation metrics and use them to experimentally evalu- ate and compare the presented techniques on a series of tasks such as graph visualisation and graph reconstruction. 1