Subgraph2vec: A random walk-based algorithm for embedding knowledge graphs

图是一种重要的数据表示方式，在现实世界的应用中自然出现\cite{goyal2018graph}。因此，分析图在诸如异常检测\cite{ma2021comprehensive}、决策制定\cite{fan2023graph}、聚类\cite{tsitsulin2023graph}、分类\cite{wang2021mixup}等不同领域为用户提供更好的洞见。然而，大多数这些方法需要高水平的计算时间和空间。我们可以使用其他方法，如嵌入，来降低这些成本。知识图谱（KG）嵌入是一种旨在实现KG的向量表示的技术。它在低维空间中表示KG的实体和关系，同时保持它们的语义含义。嵌入图的方法有不同的方法，包括基于随机游走的方法，如node2vec、metapath2vec和regpattern2vec。然而，大多数这些方法都会根据通常在算法中硬编码的严格模式偏向于某些行走。在本文中，我们介绍了用于嵌入KG的\textit{subgraph2vec}，其中行走在用户定义的子图内。我们使用这种嵌入进行链接预测，并证明我们的方法在大多数情况下比以前的方法表现更好。

本论文旨在解决图嵌入中的高计算时间和空间成本问题，提出了一种名为subgraph2vec的方法，通过在用户定义的子图中运行游走来嵌入知识图谱，以实现更好的性能。

subgraph2vec方法通过在用户定义的子图中运行游走，将知识图谱中的实体和关系表示为低维向量，从而实现图嵌入。相比于其他方法，subgraph2vec方法可以更好地保持实体和关系的语义信息。

本论文使用subgraph2vec方法进行链接预测，并证明其在大多数情况下比先前的方法具有更好的性能。此外，论文还提供了实验设计和数据集信息，并开源了代码。

在相关研究方面，最近的研究包括node2vec、metapath2vec和regpattern2vec等基于随机游走的图嵌入方法。