Linkedin הופכת לקוד פתוח את אלגוריתם הPASS שלה כדי לעזור ליצור מודלי GNN מדוייקים יותר.
גרפים הם דרך אוניברסלית לייצג מערכות יחסים בין ישויות. גרפים חברתיים מייצגים איך אנשים מקיימים אינטראקציה זה עם זה, גרפים מקצועיים מייצגים איך אנשים משתפים פעולה, וכן הלאה. רשתות גרפיות עצביות (GNNs) הן מודלים של למידה עמוקה המתמחים להבנת גרפים. עבור חבר ברשת חברתית, למשל, GNNs מסתכלים על החיבורים של החבר (שכנים 1-hop בגרף) ואת החיבורים של חיבורים (2-hop-שכנים), וממנפים את המידע השכונה הזה עבור משימת AI מסוימת, כגון חיפוש או המלצה. לדוגמה, אם ברצוננו להמליץ על עבודה לחבר A באיור שלהלן, GNN ישתמש בקשרים של החבר.
דוגמה לשימוש בגרף חיבור החברים עבור משימת המלצת עבודה. PASS בוחר חיבורים רלוונטיים (B, C, D) ומפיל חיבורים לא רלוונטיים (E, F) עבור המשימה.
בעוד ש-GNNs מועילים בבניית מודלים המבוססים על גרפים, יש להם כמה אתגרים כיצד הם ממנפים את השכנים של חבר. ראשית, גישה מבוססת GNN אינה מתאימה לרשתות חברתיות בעולם האמיתי. במקרים רבים, לחבר אחד יש הרבה מאוד קשרים ומינוף כולם אינו קנה מידה. לדוגמה, לסלבריטאי עשויים להיות מאות מיליוני קשרים. אתגר שני הוא שלא כל קשר רלוונטי למשימה העומדת על הפרק. לדוגמה, במשימת המלצת העבודה באיור למעלה, הקשרים של החבר שעובדים בתחומים שונים מאוד, ועשויים להיות חברים אישיים, כגון חברים E ו-F, לא יהיו רלוונטיים למשימה.
ישנן כמה שיטות קיימות המטפלות בבעיה הראשונה על ידי דגימה של מספר קבוע של שכנים, ובכך מגבילות את קנה המידה של התשומות ל-GNN, אך החיסרון של המודלים הללו הוא שהם אינם שוקלים אילו שכנים רלוונטיים יותר עבור GNNs. מדגם אקראי של שכנים (לדוגמה, כאלה שכוללים איברים E ו-F בדוגמה למעלה) עשוי להפיק המלצה פחות מדויקת ממדגם הכולל שכנים רלוונטיים (כמו איברים B, C ו-D).
כדי לפתור את הבעיות הללו, לינקדאין פיתחה שיטת GNN חדשה בשם "אסטרטגיית דגימה מותאמת לביצועים", או "PASS". PASS משתמש במודל AI כדי לבחור שכנים רלוונטיים. מודל הבינה המלאכותית של בחירת שכן מחליט אם לבחור שכן נתון או לא על ידי הסתכלות על התכונות של השכן. מודל הבינה המלאכותית של PASS לומד כיצד לבחור שכנים שמגבירים את דיוק הניבוי של מודל ה-GNN. היתרון של גישה זו הוא שהיא פועלת היטב ללא קשר למשימה הספציפית שמודל GNN משמש עבורה.
לינקדאין פיתחה אלגוריתם יעיל להכשרת דגמי AI כאלה לבחירת שכנים. בניסויים בשבעה גרפי אמת מידה ציבוריים ושני גרפים בלינקדאין, PASS עלה על שיטות ה-GNN המתקדמות ב-1.3%-10.4%. יתר על כן, החברה גם הראתה ש-PASS משיגה דיוק חזק גם אם גרף הקלט מכיל קצוות רועשים. כאשר לינקדאין הוסיפה קצוות רועשים לגרפי ההשוואה, PASS הראה דיוק גבוה פי 2-3 בהשוואה לשיטות הבסיס. למיטב ידיעת החברה, זוהי השיטה הראשונה ללמוד לבחור שכנים כדי למקסם את הביצועים החזויים של GNN. בניסויים שלה, PASS יכול להשיג דיוק חיזוי גבוה יותר על ידי שימוש במספר פחות של שכנים מאשר מודלים אחרים של GNN, למרות שדגמי GNN האחרים משתמשים ביותר שכנים. במילים אחרות, PASS מראה "פחות זה יותר".
כדי לקרוא עוד, אנא הכנסו לידיעה המלאה בכתובת הזאת.