Grale：面向图学习的网络设计
机器学习
2020-07-24 v1 社会与信息网络
机器学习
摘要
我们如何为半监督学习找到合适的图？在真实世界应用中，选择哪些边用于计算是任何图学习过程的第一步。有趣的是，通常存在多种类型的相似性可选作节点之间的边，而边的选择会极大地影响下游半监督学习系统的性能。然而，尽管图设计十分重要，多数文献仍假设图是静态的。在本工作中，我们提出 Grale，一种我们开发的用于解决具有数十亿节点图设计问题的可扩展方法。Grale 通过融合不同的（可能较弱的）相似性度量来创建在其节点间展现高任务特定同质性（homophily）的图。Grale 设计用于大规模数据集运行。我们已在 Google 的超过 20 个不同工业环境中部署了 Grale，包括具有数百亿节点和数百万亿待评分潜在边的数据集。通过采用局部敏感哈希技术，我们大幅减少了需评分的节点对数量，使得我们能在数小时内为此类数据集学习特定任务模型并构建相应的近邻图，而非原本可能所需的数天甚至数周。我们通过一个案例研究说明这一点：考察 Grale 在 YouTube 上含数亿条目的滥用分类问题中的应用。在该应用中，我们发现 Grale 在硬编码规则与内容分类器之上检测出大量恶意行为者，使总召回率较那些方法单独使用提升 89%。
引用
@article{arxiv.2007.12002,
title = {Grale: Designing Networks for Graph Learning},
author = {Jonathan Halcrow and Alexandru Moşoi and Sam Ruth and Bryan Perozzi},
journal= {arXiv preprint arXiv:2007.12002},
year = {2020}
}
备注
10 pages, 6 figures, to be published in KDD'20