یادگیری ماشین با نظارت، یک زیرمجموعه از یادگیری ماشین است که الگوریتم‌ها سعی می‌کنند از داده‌ها یاد بگیرند. داده‌ها توسط جفت‌های ورودی-خروجی نمایش داده می‌شوند، به عنوان مثال [2] -> 2، [1] -> 1. مدل ما سعی می‌کند به گونه‌ای از داده‌ها یاد بگیرد که ورودی‌ها را به خروجی‌های صحیح نگاشت کند. در مثال ما ([2] -> 2، [1] -> 1)، مدل سعی می‌کند تابع y=x را یاد بگیرد. در اینجا، برای مدل آسان است که نگاشت ورودی-خروجی را یاد بگیرد، اما تصور کنید که در یک مسئله بسیاری از نقاط مختلف فضای ورودی به یک مقدار خروجی نگاشت شوند. به همین دلیل، نمی‌توانیم به طور مستقیم یک الگوریتم یادگیری ماشین را بر روی جفت‌های ورودی-خروجی اعمال کنیم، بلکه ابتدا باید مجموعه‌ای از ویژگی‌های اطلاعاتی، تمییزدهنده و مستقل را در میان نقاط داده‌های ورودی پیدا کنیم. پیدا کردن چنین ویژگی‌هایی معمولاً یک وظیفه پیچیده است.

در مسائل پیش‌بینی در شبکه‌ها، باید همان کار را برای گره‌ها و یال‌ها انجام دهیم. یک راه حل معمول شامل طراحی ویژگی‌های خاص به دست آمده از دانش تخصصی است. حتی اگر تلاش زیادی را برای طراحی ویژگی‌ها انجام دهید، این ویژگی‌ها معمولاً برای وظایف خاصی طراحی می‌شوند و به طور کلی بر روی وظایف پیش‌بینی مختلف تعمیم‌پذیر نیستند.

ما می‌خواهیم الگوریتم خود را به طور مستقل از وظیفه‌ی پیش‌بینی در آینده طراحی کنیم و اینکه نمایش‌ها به صورت کاملاً بی‌نظارت قابل یادگیری باشند. این‌جاست که Node Embedding وارد صحنه می‌شوند.

ما الگوریتم خود را به یادگیری Embedding آموزش می‌دهیم و سپس می‌توانیم این Embedding ها را در هر یک از کاربردهای زیر استفاده کنیم، یکی از آنها تشخیص ربات‌های توییتر است. بیایید به بررسی جزئیات بپردازیم.