Algoritmos de grafos

Capítulo 8. Usando algoritmos de gráfico para aprimorar o aprendizado de máquina

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: [e-mail]

Abordámos vários algoritmos que aprendem e actualizam o estado em cada iteração, como o Label Propagation; no entanto, até este ponto, demos ênfase aos algoritmos de grafos para análise geral. Como há uma aplicação crescente de grafos na aprendizagem automática (ML), vamos agora ver como os algoritmos de grafos podem ser utilizados para melhorar os fluxos de trabalho de ML.

Neste capítulo, concentramo-nos na forma mais prática de começar a melhorar as previsões de ML utilizando algoritmos de grafos: a extração de caraterísticas ligadas e a sua utilização na previsão de relações. Em primeiro lugar, abordaremos alguns conceitos básicos de ML e a importância dos dados contextuais para melhores previsões. Em seguida, faremos um breve levantamento das formas como as caraterísticas de grafos são aplicadas, incluindo utilizações para fraude de spammers, deteção e previsão de ligações.

Demonstraremos como criar um pipeline de aprendizagem automática e, em seguida, treinar e avaliar um modelo para a previsão de ligações, integrando o Neo4j e o Spark no nosso fluxo de trabalho. O nosso exemplo basear-se-á no Citation Network Dataset, que contém autores, artigos, relações entre autores e relações entre citações. Utilizaremos vários modelos para prever a probabilidade de os autores de pesquisas ...