Rekonstrukce pseudosociálních sítí z bankovních transakčních dat

Abstract

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.