Rekonstrukce pseudosociálních sítí z bankovních transakčních dat
Pseudosocial network reconstruction using banking transactional data
Typ dokumentu
diplomová prácemaster thesis
Autor
Peter Kolárovec
Vedoucí práce
Marian Jakub
Oponent práce
Čepek Miroslav
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika 2010Instituce přidělující hodnost
katedra aplikované matematikyObhájeno
2023-02-14Práva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Popularita grafových neurónových sietí rastie, pretože tradičné prístupy strojového učenia nedokážu pracovať s komplexnými neeuklidovskými údajmi, ako sú grafy. Táto práca uvádza vzťahy, ktoré možno modelovať v bankovom prostredí. Vybrali sme jeden, na ktorý sa zameriavame -- zdieľanie domácnosti. V praktickej časti poskytujeme komplexný prístup, ktorý vychádza z predchádzajúceho moderného výskumu učenia z podgrafov, embeddingov a atribútov na predpovedanie hrán. Poskytujeme spôsob, ako do pôvodného konceptu začleniť hranové atribúty, ktoré získavame z transakčných údajov. Vytvorený model sa následne používa na rozšírenie siete domácností o hrany, ktoré neboli zistené pomocou predchádzajúceho heuristického prístupu. The popularity of Graph Neural Networks is on the rise, as traditional machine learning approaches cannot work with complex non-Euclidean data such as graphs. This thesis provides relationships that can be modeled in a banking environment. We picked one we focus on -- sharing a household. In the practical part, we provide an end-to-end approach that builds on previous state-of-the-art research of learning from Subgraphs, Embeddings, and Attributes for Link prediction (SEAL). We provide a way of incorporating edge features we extract from transactional data into the original framework. The built model is then used to enhance the household network with links that were not detected with the previous heuristic approach.
Kolekce
- Diplomové práce - 18105 [194]