Descrição
SEAL, que significa aprendizado a partir de Subgrafos, Embeddings e Atributos para Predição de Links (learning from Subgraphs, Embeddings, and Attributes for Link prediction), é um framework sofisticado projetado para lidar com o desafio da predição de links em dados baseados em grafos. Ele reformula de forma inovadora a predição de links como um problema de classificação de subgrafos, permitindo uma compreensão mais abrangente das relações dentro de um grafo.
Ler mais
A metodologia central do SEAL envolve várias etapas chave. Para qualquer link alvo dado, o framework primeiro extrai seu 'subgrafo envolvente de h-hops'. Este subgrafo captura o contexto estrutural local em torno do link potencial. Concomitantemente, o SEAL constrói uma matriz de informação de nós, denotada como X. Esta matriz é rica em informações, incorporando rótulos estruturais de nós, embeddings latentes derivados de propriedades do grafo e quaisquer atributos explícitos associados aos nós.
Uma vez que o subgrafo (A) e a matriz de informação de nós (X) estejam preparados, o SEAL alimenta esses dados combinados em uma rede neural de grafos (GNN). A GNN é treinada para classificar a existência do link. Essa abordagem permite que o SEAL aprenda efetivamente a partir de duas fontes cruciais de informação: a estrutura inerente do grafo fornecida pelo subgrafo (A) e a rica informação de features contida na matriz de nós (X). Este aprendizado simultâneo de dados estruturais e baseados em features é um ponto forte chave do framework SEAL.
O SEAL oferece flexibilidade em sua implementação, com versões disponíveis em MATLAB e Python. A versão MATLAB foi utilizada para gerar os resultados experimentais apresentados no artigo original e inclui código de avaliação para métodos de baseline. A implementação em Python é notada por sua flexibilidade e escalabilidade aprimoradas. Além disso, uma implementação PyTorch Geometric está disponível, que foi testada em datasets do Open Graph Benchmark (OGB) e suporta datasets Planetoid como Cora e CiteSeer, bem como datasets PyTorch Geometric personalizados.
Um aspecto significativo do SEAL é sua capacidade de ter um desempenho eficaz mesmo sem embeddings ou atributos explícitos de nós. Em muitos cenários de rede, o SEAL pode alcançar um forte desempenho preditivo aproveitando puramente as estruturas de grafos. O design do framework reconhece que, em alguns casos, a inclusão de embeddings pode até impactar negativamente o desempenho. Quando os embeddings de nós são excluídos de X, o SEAL funciona como um modelo de predição de links indutivo, capaz de generalizar para nós ou subgrafos não vistos.
- CategoriaModelos de IA e LLMs
- Modelo de preçosCódigo aberto
- ImplantaçãoNuvem, Auto-hospedado
- PlataformasWindows, macOS, Linux
Recursos principais de SEAL Link Prediction
Transforma a predição de links em um problema de classificação de subgrafos
Extrai subgrafos envolventes de h-hops para contexto local
Constrói matrizes de informação de nós com rótulos estruturais, embeddings e atributos
Utiliza Redes Neurais de Grafos (GNNs) para classificação de links
Aprende simultaneamente da estrutura do grafo e de features de nós
Disponível em implementações MATLAB e Python
Suporta datasets do Open Graph Benchmark (OGB)
Pode realizar predição de links indutiva sem embeddings de nós
Avalia métodos de baseline
Oferece flexibilidade e escalabilidade na versão Python
Primeiros passos com SEAL Link Prediction
Acessar modelo: Obtenha o código SEAL do repositório GitHub.
Configurar ambiente: Instale as dependências necessárias para MATLAB ou Python.
Preparar dados: Formate seus dados de grafo e atributos/embeddings de nós.
Extrair subgrafos: Configure o parâmetro h-hop para extração de subgrafos.
Treinar modelo: Alimente os subgrafos extraídos e as matrizes de informação de nós na GNN.
Prever links: Use o modelo treinado para prever a existência de links.
Avaliar desempenho: Avalie a precisão do modelo usando o código de avaliação fornecido.
Casos de uso de SEAL Link Prediction
- Análise de Rede Social
- Sistemas de Recomendação
- Predição de Rede Biológica
- Conclusão de Grafo de Conhecimento
- Detecção de Fraude
- Descoberta de Medicamentos
