인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
Abstract Recent advances in machine learning have prompted researchers to integrate complex network structures into computational frameworks to improve inferential capabilities. Node embedding has become a promising technique in this area. However, challenges persist in accurately representing the structural characteristics of nodes in weighted networks. In this study, we propose SDW2vec, which learns the embeddings of nodes in weighted networks while preserving structural properties. Our proposed methodology addresses these challenges through a multi-scale comparison of link weights among adjacent nodes up to a predefined hop count. This approach facilitates the calculation of distances between nodes’ structural configurations across multiple scales. We subsequently construct weighted multi-layer graphs based on these distance measurements, apply random walks to generate node sequences, and learn the embedding representations using the Skip-gram model. The efficacy of our methodology is validated through both the interpretability of embedding representations in controlled network environments and the structural reproducibility demonstrated in real-world networks.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
