طبقه‌بندی گره‌ها در گراف‌های استنادی با استفاده از شبکه‌های عصبی گراف

گراف‌ها، داده‌هایی هستند که روابط پیچیده بین موارد مختلفی مانند اینترنت، شبکه اجتماعی، شبکه کتابشناختی و مانند آن را در دنیای واقعی توصیف می‌کنند. یکی از مواردی که امروزه افراد بسیاری با آن سر و کار دارند، شبکه‌های اجتماعی آنلاین می‌باشد. نمایش گراف شبکه‌های اجتماعی آنلاین نظیر توییتر، وی چت و فیس بوک امروزه با کمتر از میلیاردها گره امکان‌پذیر نمی‌باشد و من باب همین موضوع، مطالعه داده‌های شبکه در مقیاس بزرگ برای محققان را به یک امر ضروری تبدیل کرده است. در مورد شبکه‌های اجتماعی، کاربران آنلاین اغلب اطلاعات محدودی دارند؛ اما برای ارائه‌دهندگان خدمات رسانه‌های اجتماعی، اطلاعات گره کاربر مانند علاقه، اعتقادات یا ویژگی‌های دیگر برای سفارشی کردن خدمات آن‌ها برای کاربران در بسیاری از برنامه‌ها مانند توصیه‌ها و جستجوی شخصی بسیار مهم است و آن را به یک چالش برای ارائه‌دهندگان خدمات تبدیل کرده است. یک راه موثر برای مقابله با این چالش، استنتاج اطلاعات گمشده کاربر با استفاده از ساختارهای شبکه‌ای فراگیر در رسانه‌های اجتماعی است. یکی از مهم‌ترین استنتاج‌ها در داده‌کاوی و تحلیل شبکه، طبقه‌بندی گره‌ها است که هدف آن استنتاج برچسب‌های گمشده گره‌ها بر اساس گره‌های برچسب‌گذاری شده و ساختار شبکه است. در این پژوهش وظیفه طبقه‌بندی گره‌ها بر روی مجموعه داده‌های شبکه استنادی pubmeddiabetes، citeseer و cora با استفاده از شبکه‌های عصبی گراف graphsage، gcn و gat مورد بررسی قرار داده شده است و به صورت کلی نتیجه حاصل شده است که شبکه عصبی گراف graphsage بر روی مجموعه داده‌های شبکه استنادی ذکرشده برای وظیفه طبقه‌بندی گره‌ها به خوبی عمل می‌کند.

classification of nodes in citation graphs using graph neural networks

graphs are data that describe complex relationships between different things in the real world, such as the internet, social network, bibliographic network, and so on. one of the things that many people deal with today is online social networks. the graph display of online social networks such as twitter, wechat and facebook is not possible today with less than billions of nodes, and for this reason, the study of large-scale network data has become a necessity for researchers. regarding social networks, online users often have limited information; but for social media service providers, user node information such as interest, beliefs, or other characteristics are very important to customize their services for users in many applications such as recommendations and personalized search, making it a challenge for service providers. an effective way to deal with this challenge is to infer missing user information using pervasive network structures in social media. one of the most important inferences in data mining and network analysis is node classification, which aims to infer the missing labels of nodes based on labeled nodes and network structure. in this research, we have performed the task of node classification on the pubmeddiabetes, citeseer and cora citation network datasets using graphsage, gcn and gat neural networks and we have generally concluded that the graphsage neural network on the network datasets the cited reference works well for the node classification task.