資管系專題演講 – On Data Science with Graph Representation Learning

資訊管理學系暨研究所

撰文者／資訊管理學碩士生  楊雅汝

『On Data Science with Graph Representation Learning』演講者是成大的李政德教授，老師的領域橫跨了機器學習、深度學習、資料探勘、社群網路分析、推薦系統、自然語言處理‥‥‥等，研究的領域相當廣泛。

這場演講主要講述了 GRL 的應用。之前我只要一聽到Graph-based 的應用，就會馬上聯想到社群媒體上的應用，像是 Community detection 或意見領袖偵測；但聽李老師說其實幾乎所有的應用都可以用graph來表示，例如 E-Commerce、物聯網、蛋白質結構檢測‥‥‥等等，方法也分為(但不限於)Link prediction、Node classification。此外，老師也提到了自然語言處理和 graph neural network 的關係，雖然我們一般來說不會將文字和 graph 兩者 聯想在一起，但以 graph 的表示法卻能讓 neural network 得出好的成果，這帶給我一些衝擊和啟發。

在簡單介紹 GRL 之後，李教授講述了很多有趣的專案。其中的「Shared Account Detection」是和 KKBOX 去合作的案子。多人共用一個帳號會影響 KKBOX 的推薦演算法，讓他們難以去推薦歌單；因此 KKBOX 希望能夠研究出 能夠判別出 Account 中每個人的歌單 Session，再分別依照 Session 去推薦歌 單。把 Session 產生成 graph，內含歌手與歌曲間的edge，形成 embedding，再做分群；若只能分成一群，則該帳號只會有一個 user 使用。 接下來則是社群媒體中假新聞的偵測，教授是以 retweet user 形成 fully connected 的 graph，以邊的相似度來形成行為相似度，之後再拿來做 embedding，後來結果也很好，F1-score有達到 0.79。

另外一個有趣的論文則是時間序列預測相關，是來預測空氣品質依照時間變動 的情形，影響因素包含交通流向與腳踏車需求等等，教授將整個空氣品質的每 個時間變動情形變成 graph，sensor 為 node，而各個變項之間的影響力為 edge，用 GCN 來將每個graph形成 embedding，最終也有很好的效果； 還有一個論文是用 stock-level 來表示出各公司間的關係，以 graph model FinGAT ( Financial Graph ATtention Net) 來進行 high-profit 的投資標的 Ranking 和推薦。我很少看到有股價、金融相關的研究利用 graph 的方式來去做預測，一般來說通常是用 LSTM / CNN 等較常見的 model 來去做數值或文字類相關的預測，真的蠻特別的。

最後一個案例是奈及利亞海關違禁品檢測，老師選擇奈及利亞是因為該國的抽 查率為100%，有許多資料可以用；違禁品的分類有分為高價低報(避掉關稅)、更改商品類型(ex:電視/電腦的液晶螢幕)、更改原產地(避免掉抽查或較高關稅)。以各個項目、進口商的one-hot encoding作為 input，來去預測該貨物 是否為違禁品。

演講的最後，教授強烈向我們推薦GRLs，他認為graph 的特徵可以更好的表現出每個 data point 的特徵與關係，以 relational 的方式來作為判斷依據的方式，在多個領域中都可以有好的結果。整體而言，我覺得教授的分享案例都非常有趣，也讓我知道原來 graph的應用可以這麼廣泛，不是只能用在特定的案例或領域當中。