Om traditionele modellen voor machinaal leren toe te passen op complexe datastructuren zoals netwerken zijn transformaties nodig. Methoden voor het leren van netwerkrepresentaties bieden dergelijke transformaties en vormen daarmee een hoeksteen van onderzoek op netwerken. Ondanks de populariteit van het veld is er echter slechts beperkte vooruitgang. In deze dissertatie verkennen we eerst de belangrijkste factoren die tot deze situatie leiden, waaronder uitdagingen rond evaluatie, de reproduceerbaarheidscrisis en een gebrek aan benchmarks. Om het effect van sommige van deze factoren te verlichten introduceren wij EvalNE, een uitgebreid evaluatiepakket voor het netwerkrepresentaties. EvalNE garandeert correctheid, consistentie en reproduceerbaarheid van resultaten. Voortbouwend op dit pakket belichten we de huidige stand van het onderzoek, door systematische evaluaties van de prestaties en de robuustheid van verschillende methoden voor het leren van netwerkrepresentaties. Ten slotte laten we zien hoe een onderbelicht representatieparadigma het potentieel heeft om de grenzen te verleggen in een subgebied van netwerkonderzoek, namelijk tekennetwerken. Wij verwachten dat de theoretische en praktische resultaten van dit werk als uitgangspunt zullen dienen voor betere praktijken inzake evaluatie en reproduceerbaarheid, en zo de vooruitgang in het vakgebied stimuleren. | |