Mettre à l'échelle l'apprentissage des graphes pour l'entreprise

Chapitre 3. Apprentissage automatique traditionnel pour les graphes

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Dans ce chapitre, nous allons explorer les approches traditionnelles et non traditionnelles de l'apprentissage automatique appliquées aux graphes. Nous nous plongerons ensuite dans l'apprentissage automatique traditionnel basé sur les graphes, en nous appuyant sur les concepts fondamentaux présentés au chapitre 2. Nous commencerons par explorer les nuances de la représentation des données des graphes, en passant de méthodes générales à une étude de cas ciblée sur le réseau d'achats groupés d'Amazon. Au fur et à mesure de notre navigation, nous découvrirons les diverses tâches qui peuvent être accomplies à l'aide de cet ensemble de données.

Le cœur de notre exploration réside dans l'ingénierie des caractéristiques des graphes - une étape cruciale qui peut faire ou défaire les performances des modèles d'apprentissage automatique. Ici, nous dévoilerons l'importance de ce processus, les défis rencontrés et les différents types de caractéristiques qui peuvent être dérivées des graphes. Notre approche pratique te guidera dans l'extraction des caractéristiques, avec en point d'orgue l'intégration des métriques dérivées des graphes pour enrichir les attributs des produits tels que le prix et la catégorie de produits, entre autres. Par exemple, nous montrerons comment ces mesures peuvent améliorer ...