Аннотация результатов, полученных в 2022 году
В рамках проекта команда исследователей изучала различные методы векторизации графовой информации в задачах машинного обучения на графах, таких как предсказание связей, классификаций и кластеризация вершин, использование результатов в прикладных задачах, таких как визуализация подборок предметов и рекомендательные системы, анализ сетей цитирований, соавторства и транзакционных данных. Исследователями разработана система исследования новых предложений в рекомендательных системах на основе графовых методов исследования интересов пользователя и графовых нейронных сетей. Алгоритм основан на подходе к построению непрерывных представлений динамических графов индуктивной моделью TGN и случайных блужданиях. Данный алгоритм был адаптирован для решения задачи рекомендаций наборов предложений с возможностью исследования неизвестных состояний рекомендательной системы и использования данных результатов для дальнейшего инкрементального обучения модели на новых вершинах и ребрах. Разработанный подход был проанализирован на двух открытых бенчмарках для рекомендательных систем и показал сравнимые результаты. Статья с описанием алгоритма и его тестирования опубликована в журнале IEEE ACCESS. В области анализа текстовой информации, предложен подход к автоматическому анализу текстов на естественном языке на основе графа взаимодействия персонажей, его кластеризации. Полностью автоматический пайплайн для данного подхода показал сравнение различных составляющих и свою эффективность на примере анализа текстов Толкиена. В частности, данный подход позволяет автоматически извлекать связи и их типы для построения графа знаний на основе текста, автоматически анализировать качество полученного графа и сам текст. Данный подход представлен на конференции IEEE CINTI. Новые методы в области графовых нейронных сетей были применены для определения совместимости предметов одежды в единой подборке на основе взвешенного графа совстречаемости. Были созданы модели и методы, решающие успешно сразу две задачи: оценки совместимости предметов и рекомендации по заполнению недостающего предмета в подборке. Статья с описанием метода представлена в сборнике трудов LNCS издательства Springer. Для ориентированных графов была изучена задача рекомендации научных статей, которая рассматривалась как предсказание ссылок в статической сети цитирования. Было проведено сравнение нескольких методов на основе векторных представлений графов, текстовых моделей и смешанных моделей для задачи прогнозирования ссылок на данных о цитировании научных работ. Было показано, что смешанные модели, объединяющие информацию о структуре графа и текстовую атрибутивную, превосходят другие подходы, основанные только на графовых эмбеддингах или эмбеддингах на основе только текстовой информации. Множественные эксперименты продемонстрировали, что полученные смешанные модели сохраняют превосходную производительность даже при уменьшенной обучающей выборке. В области динамических графов, ученые разработали новый метод обучения представлений динамического графа, основанный на промежуточном представлении эволюции в виде последовательности интервальных графов. Были использованы вспомогательные представления – графы каузальности и следствия, которые моделируют паттерны, определяющие эволюцию графа: влияние существующих в графе ребер на образование новых, и влияние новых связей на свойства старых. Для выявления и краткосрочной, и долгосрочной зависимостей разработаны механизмы локальной и глобальной передачи сообщений, использующие память ребер. На основе этих механизмов реализован многокомпонентный индуктивный фреймворк, унифицирующий разнообразные архитектуры. Экспериментально показано превосходство выбранной конфигурации фреймворка по метрике AUC ROC в задаче динамического предсказания ребра на динамических графах без атрибутов UCI и Enron, по сравнению с моделями, использующими память вершин.

Аннотация результатов, полученных в 2023 году
В рамках проекта улучшена система для работы с динамическими графами. Предложен способ компактно и выразительно представлять изменения, возникающие в графе со временем. Кроме того, был улучшен механизм передачи сообщений, появилась память ребер, которая позволяет учитывать причинно-следственные связи. Эксперименты показали, что эти улучшения помогли системе лучше предсказывать изменения в динамических сетях, в том числе на транзакционных данных. Участники проекта придумали метод для определения значений многозначных слов без использования размеченных данных. Они представили текст в виде графа совстречаемости, где вершинами являются конкретные слова, а ребрами факт их соседства в предложении. Далее, данные графы котируются с помощью графовой нейронной сети, чтобы учесть информации о контексте каждого слова через связи в графе. На последнем этапе полученные векторы кластеризовались, чтобы определить итоговые смыслы многозначных слов. Этот метод показал высокое качество и высокую скорость при работе с данными из набора RUSSE 2018. Еще одно исследование И. Макарова затрагивает новый метод кодирования вершин графа, который одновременно создает векторы для каждой вершины и находит, в какие сообщества она потенциально входит. Этот метод превзошел другие способы работы с данными из наборов Cora и CiteSeer.