Új csúcsok hatékony beágyazása reprezentációs terekbe

A gráfokon végzett csúcsbeágyazás gyakran használt eszköz olyan tanulási feladatoknál, ahol gráf struktúrában rejlő információ is fontos a feladat szempontjából. A Node2Vec [1], RandNE [2] és más faktorizáció alapú módszerek hatékony és gyakran használt eszközök csúcsbeágyazási feladatoknál. A probléma ezekkel az algoritmusokkal, hogy a gráfban bekövetkező válzozások (pl. új csúcs vagy él elhelyezése) hatását a tanítási folyamat újra futtatásával modellezhetjük. Ugyan gyakran az előző tanításból felhasználhatjuk a csúcsreprezentációkat, a tanítási folyamat így is túl számításigényes lehet a valós idejű felhasználásra, ahol ezek a változások nagyon gyakran történnek (pl. ajánlórendszereknél percenként akár több ezer új élet is megfigyelhetünk). A munkám során egy induktív közelítő algoritmust dolgozok ki, mellyel új csúcsok reprezentációját számíthatjuk ki, illetve új élek hatását modellezhetjük meglévő csúcsok reprezentációin. Az algoritmusnak gyakorlati haszna is lehet olyan környezetekben, ahol az új információ gyors felhasználása kritikus a predikciós teljesítmény szinten tartásához. Egy példa gyakorlati felhasználásra az ajánlórendszerek, ahol az algoritmus használatával valós időben lekövethetjük a változásokat a felhasználók viselkedésében.

[1] Grover, A., & Leskovec, J. (2016, August). node2vec: Scalable feature learning for networks. In Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 855-864).

[2] Zhang, Z., Cui, P., Li, H., Wang, X., & Zhu, W. (2018, November). Billion-scale network embedding with iterative random projection. In 2018 IEEE International Conference on Data Mining (ICDM) (pp. 787-796). IEEE.

szerző

• 
  Kiss Richárd
  Mérnök informatikus szak, mesterképzés
  mesterképzés (MA/MSc)

konzulens

• 
  Dr. Szűcs Gábor
  egyetemi docens, Távközlési és Médiainformatikai Tanszék

helyezés