# Q&A: LINE: Large-scale Information Network Embedding Navigation: [[index]] | [[wiki/sources/@2015__WWW__LINE - Large-scale Information Network Embedding|LINE (WWW2015)(source)]] 対応する source ページについての軽い質問と回答を、日付ごとに蓄積するノート。深掘りが必要になった問いは `wiki-thesis` や `wiki-query` へ昇格させ、その旨をここに一行残す。 ## 2026-09-12 **Q. ネットワークを埋め込むとはどういうことか？埋め込みベクトル化してどうやって使うのか？** グラフ $G=(V,E)$ の各頂点を低次元の実数ベクトル $\vec{u}_v \in \mathbb{R}^d$($d \ll |V|$)に対応づける操作である。単なる次元圧縮ではなく、グラフ構造上の近接性をベクトル空間上の近さ(内積・コサイン類似度)に翻訳することが目的になる。LINE の場合、直接強くつながっている頂点(一次近接性)と、直接つながっていなくても似た隣人集合を共有する頂点(二次近接性)のどちらか、あるいは両方が、埋め込み空間で近くなるように学習される。これにより、グラフ専用アルゴリズムを使わずに「ベクトルの引き算・内積」だけで構造的な近さを近似計算できるようになる。 埋め込みベクトルが得られると、通常の機械学習の道具箱がそのまま使えるようになる。source の実験で使われている用途は、(1) ノード分類: ベクトルを特徴量としてロジスティック回帰等の分類器に投入する(Wikipedia ページ分類、DBLP のマルチラベル分類)、(2) 可視化: t-SNE で 2 次元に落として散布図にする(Figure 2 の共著者ネットワーク可視化)、(3) 類似度検索: コサイン類似度で似た頂点を見つける(Table 4 の単語類似度)、(4) リンク予測: $p_1$・$p_2$ の式自体が辺の存在確率のスコアになる、の 4 点である。まとめると埋め込みは、グラフ構造を保ったままグラフを直接扱えない汎用の機械学習手法へ橋渡しする役割を持ち、LINE はその橋渡しを数百万ノード規模で実用的な速度で行うことに主眼を置いている。 ## 出典 - [[wiki/sources/@2015__WWW__LINE - Large-scale Information Network Embedding|LINE (WWW2015)]]