Analysis of Nodes and Edges Types in Large-Scale Networks

Abstract

In networks, node and edges can occupy different roles and types. There can be nodes with significant influence on other nodes or the whole network than other nodes, but it not always trivial task to identify them in large scale networks. The same applies for the connections between nodes. With analysis, we can better understand the network dynamics and impact which can these nodes or edges potentially have. This thesis is divided into two main sections.

In the first section, the analysis of node and edge types is performed using graph neural networks, which is a relatively new architecture design to handle network data. We perform the classification of node roles and edge-ties types using graph neural networks. They are a relatively new approach to performing machine learning on networks and have great potential to generalize the relations between nodes and edges in large scale networks.

In the second section, we introduce a novel network embedding method based on nonsymetric relationships. Its aim is to embed all necessary information in vectors, on which analysis with other tools can take place. We also conduct experiments trying to measure the quality of the embedding, which is not a trivial task. Even if the results are not the best compared to other embedding algorithms, the results are still very comparable, and it can be used as efficient tool for analysis of community structures.

V sítích mohou uzly a hrany zastávat různé role a typy. Mohou existovat uzly s významnějším vlivem na jiné uzly nebo celou síť než ostatní uzly, ale jejich identifikace v rozsáhlých sítích není vždy triviální. Totéž platí pro spojení mezi uzly. Díky jejich analýze můžeme lépe pochopit dynamiku sítě a vliv, který mohou tyto uzly nebo hrany potenciálně mít. Tato práce je rozdělena do dvou hlavních částí.

V první části je provedena analýza typů uzlů a hran pomocí grafových neuronových sítí, což je relativně nová architektura pro zpracování síťových dat. Pomocí grafových neuronových sítí provádíme klasifikaci rolí uzlů a typů vazeb hran. Ty představují relativně nový přístup k provádění strojového učení na sítích a mají velký potenciál zobecnit vztahy mezi uzly a hranami v rozsáhlých sítích.

Ve druhé části představíme novou metodu síťového embeddingu založenou na nesymetrických vztazích. Jejím cílem je vložit všechny potřebné informace do vektorů, na nichž může probíhat analýza pomocí dalších nástrojů. Provádíme také experimenty snažící se změřit kvalitu embeddingu, což není triviální úkol. I když výsledky nejsou ve srovnání s jinými algoritmy pro embedding nejlepší, jsou stále velmi srovnatelné a lze je použít jako účinný nástroj pro analýzu komunitních struktur.