복습 · 그래프를 벡터로
랜덤 워크, 관계 이동, 이웃 집계라는 세 가지 방식으로 그래프를 벡터로 바꿔 보았습니다. 각 방식이 그래프의 어떤 정보를 벡터에 담는지 연결해 봅니다.
이번 회차, 내 속도로.
기초를 더 짚거나 궁금한 주제로 잠깐 넓혀 보세요. 최대 3단계를 거쳐 DAY 80로 돌아옵니다.
난이도·관심 주제 고르기
1/2개 선택 · 새 보충·심화 수업과 본과정 다시 읽기를 선택할 수 있어요.
이렇게 다녀와요 1단계 · 약 12분
- 출발 · DAY 80기억에서 꺼내고 풀이 점검하기
- 1. 관심 주제원-핫·밀집 벡터·코사인 유사도추가 31 · 새 추가 수업
- 복귀 · DAY 80원래 회차 이어가기
- 원-핫·밀집 벡터·코사인 유사도 · DAY 76에서 노드 임베딩이 가까운 노드를 가까운 벡터로 만든다고 했는데, 출발점인 원-핫 표현과 비교하면 임베딩이 왜 필요한지 분명해집니다.
선택과 경로 기록은 이 브라우저에 저장됩니다. 본과정의 회차 완료와는 별도입니다.
기억에서 꺼내어 풀기
앞에서 풀었던 세 문제를 해설 없이 다시 풀어 보세요. 막히면 힌트를 열고, 풀이를 비교한 뒤 고친 점을 기록하세요.
힌트 보기
하린은 직전 노드라 거리 0(가중치 1/p)이고, 유나와 태오는 하린과 직접 연결되지 않아 거리 2(가중치 1/q)입니다.
풀이와 비교하기
가중치는 하린 1/0.5=2, 유나 1/2=0.5, 태오 0.5로 합이 3입니다. 확률은 하린 2/3≈0.67, 유나와 태오 각각 1/6≈0.17입니다. p가 작아 되돌아가기 쉽고 q가 커서 멀리 나가기 어려우므로, 출발점 근처에 머무는 국소적(BFS 성향) 걸음입니다.
힌트 보기
한국+r은 한 점입니다. 서울과 부산은 서로 다른 점입니다.
풀이와 비교하기
r=(−3,−1)이면 한국+r=(1,3)이라 서울까지 0, 부산까지 √(4+4)=√8≈2.83입니다. r=(−2,−2)면 (2,2)라 서울·부산 모두 √2≈1.41입니다. 한국+r은 한 점이어서 서로 다른 두 점과 동시에 거리 0일 수 없습니다. 학습은 거리 합을 줄이려고 서울과 부산 벡터를 서로 가깝게 끌어당기며, 이것이 일대다 관계의 약점입니다.
힌트 보기
A와 D의 거리는 3홉입니다. 층마다 C, B, A 순으로 정보가 한 칸씩 이동합니다.
풀이와 비교하기
1층: C=(0+0+12)/3=4, D=(12+0)/2=6이고 A·B는 0입니다. 2층: B=(0+0+4)/3≈1.33이고 A는 여전히 0입니다. 3층: A=(0+1.33)/2≈0.67로 처음 0이 아닙니다. 정보가 층마다 한 홉씩 전달되므로 거리 3인 D의 영향은 3층에서야 A에 닿습니다.
풀이와 확인 표시는 이 브라우저에 저장됩니다.
세 문제를 푼 뒤 핵심 개념 펼치기
핵심 개념
랜덤 워크, 관계 이동, 이웃 집계라는 세 가지 방식으로 그래프를 벡터로 바꿔 보았습니다. 각 방식이 그래프의 어떤 정보를 벡터에 담는지 연결해 봅니다.
랜덤 워크에서 함께 나타난 노드는 가까운 벡터가 되고, node2vec의 p·q는 그 걸음이 무리 안에 머물지 바깥으로 나갈지를 조절합니다.
TransE는 참인 트리플이 h + r ≈ t가 되도록 엔티티와 관계를 배치하고 −‖h+r−t‖로 그럴듯함을 매기지만, 일대다·대칭 관계에는 약합니다.
GNN의 한 층은 이웃의 메시지를 모아 자기 표현을 갱신하는 일이고, k층은 k홉을 보지만 너무 깊으면 표현이 비슷해지는 과평활화가 생깁니다.
오늘 이해한 것과 다시 볼 것
계산이 달라진 이유, 헷갈린 개념, 다음에 확인할 질문을 남겨 보세요.
메모는 이 브라우저에 저장됩니다. 홈에서 전체 기록을 내려받을 수 있습니다.오늘의 이해 확인
DeepWalk, TransE, GCN이 벡터를 만들 때 주로 쓰는 정보를 바르게 짝지은 것은?
완료 조건: 확인 퀴즈 정답 · / 직접 풀기 0/3
더 깊이 읽기
예제와 실험 데이터는 이 과정을 위해 만든 것입니다. 원문은 선택 자료이며, 강의와 직접 풀기만으로도 다음 회차를 이어갈 수 있습니다.
DeepWalk: Online Learning of Social RepresentationsPerozzi, Al-Rfou & Skiena (2014)node2vec: Scalable Feature Learning for NetworksGrover & Leskovec (2016)Translating Embeddings for Modeling Multi-relational DataBordes et al. (2013)Knowledge Graph Embedding by Translating on HyperplanesWang et al. (2014)RotatE: Knowledge Graph Embedding by Relational Rotation in Complex SpaceSun et al. (2019)Neural Message Passing for Quantum ChemistryGilmer et al. (2017)Semi-Supervised Classification with Graph Convolutional NetworksKipf & Welling (2017)Deeper Insights into Graph Convolutional Networks for Semi-Supervised LearningLi, Han & Wu (2018)이 자료는 개념 학습용입니다. 실제 데이터베이스·라이브러리·플랫폼의 동작과 설정은 제품과 버전마다 다를 수 있습니다.