Link Prediction in Social Graphs using Representation Learning via Knowledge-Graph Embeddings and ConvNet (RLVECN)
Notice bibliographique
Résumé
In recent times, Social Network Analysis (SNA) has become a very important and interesting subject matter with regard to Artificial Intelligence (AI) in that a vast variety of processes, comprising animate and inanimate entities, can be examined by means of SNA. As a result, prediction tasks within social network structures have become significant research problems in SNA. Hidden facts and details about social network structures can be effectively and efficiently harnessed for training AI models with the goal of predicting missing links/ties within a given social network. Thus, important factors such as the individual attributes of spatial social actors, and the underlying patterns of relationship binding these social actors must be taken into consideration because these factors are relevant in understanding the nature and dynamics of a given social network structure. In this paper, we have proposed an interesting hybrid model: Representation Learning via Knowledge-Graph Embeddings and ConvNet (RLVECN). Our proposition herein is designed for examining, extracting, and learning meaningful facts for resolving link prediction problems about social network structures. RLVECN utilizes an edge sampling approach for exploiting the representations of a social graph, via learning the context of each actor with respect to its neighboring actors, with the goal of generating vector-space embeddings per actor which are further harnessed for innate representations via a Convolutional Neural Network (ConvNet) sublayer. Successively, these relatively low-dimensional representations are fed as input features to a downstream classifier for solving link prediction problems in a given social network. Our proposition, RLVECN, has been trained and evaluated on six (6) real-world benchmark social graph datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».