Graph Mining

Embedding graf (graph embedding) adalah teknik untuk merepresentasikan graf dalam bentuk
vektor numerik di dalam ruang vektor kontinu. Ketika bekerja dengan data graf yang kompleks,
seperti jaringan sosial atau jaringan saraf, embedding graf dapat membantu dalam mempelajari dan
mengungkap informasi tersembunyi dalam struktur graf tersebut.

Dalam embedding graf, setiap simpul (node) dalam graf direpresentasikan sebagai vektor numerik
dalam ruang vektor yang lebih rendah dimensi. Representasi ini menyandikan informasi tentang
simpul tersebut dan interaksinya dengan simpul-simpul lainnya dalam graf. Tujuan utama dari
embedding graf adalah untuk mengekspresikan hubungan dan sifat struktural dari graf secara efisien.

Embedding graf dapat digunakan untuk berbagai tugas analisis graf, seperti klasifikasi simpul, prediksi
simpul terhubung (link prediction), deteksi komunitas, dan rekomendasi. Dengan representasi vektor
yang kontinu, kita dapat menerapkan algoritma pembelajaran mesin (machine learning) untuk
memahami dan memanfaatkan struktur graf dalam berbagai konteks aplikasi.

1. Requirement
- Python dan neo4j

Matrix faktorisasi

Random walk

Deepwalk

1. Bagaimana algoritmanya
2. Bagaimana cara membuat layout yang pas?
3. Setelah graph di embeding, maka akan dilanjutkan dengan machine learning, metodenya
dengan?
4. BFS dan DFS?
DFS adalah kependekan dari "Depth-First Search" yang dalam bahasa Indonesia dapat
diterjemahkan sebagai "Pencarian Terurut Menurun". DFS adalah salah satu algoritma yang
digunakan dalam pemrograman dan ilmu komputer untuk melakukan pencarian atau
traversing (melintasi) struktur data berupa grafik (graph) atau pohon (tree).

Prinsip kerja DFS adalah dengan secara rekursif atau menggunakan tumpukan (stack)
menelusuri semua simpul atau node yang terhubung dalam struktur data. DFS dimulai dari
sebuah simpul awal, kemudian mengunjungi simpul tetangga dari simpul tersebut secara
berurutan, hingga tidak ada simpul tetangga lagi yang belum dikunjungi. Jika pada suatu titik
tidak ada simpul tetangga yang belum dikunjungi, DFS akan kembali ke simpul sebelumnya
dan melanjutkan pencarian pada simpul tetangga yang belum dikunjungi lainnya.

DFS sering digunakan dalam berbagai masalah seperti mencari jalur terpendek antara dua
simpul dalam sebuah grafik, mencari siklus dalam grafik, penelusuran pohon, serta dalam
implementasi algoritma lain seperti backtracking dan pemecahan masalah dengan rekursi.
Rangkuman dari selayang pandang ibu alvida

1.