論文の概要: Enterprise Analytics using Graph Database and Graph-based Deep Learning
- arxiv url: http://arxiv.org/abs/2108.02867v1
- Date: Thu, 5 Aug 2021 22:10:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-10 00:55:52.205445
- Title: Enterprise Analytics using Graph Database and Graph-based Deep Learning
- Title（参考訳）: グラフデータベースとグラフベースのディープラーニングを用いたエンタープライズ分析
- Authors: Shagufta Henna, Shyam Krishnan Kalliadan
- Abstract要約: 本稿では、B2B環境でCRMを改善するためのグラフベースの分析手法を提案する。
具体的には、CRM分析により売上予測を可能にするために、GCN(Graph Convolution Network)を適用した。
実験結果から,提案手法はランダムフォレスト(Random Forests, RsF)と,CNNとANNの2つのディープラーニングモデルより優れていることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In a business-to-business (B2B) customer relationship management (CRM) use
case, each client is a potential business organization/company with a solid
business strategy and focused and rational decisions. This paper introduces a
graph-based analytics approach to improve CRM within a B2B environment. In our
approach, in the first instance, we have designed a graph database using the
Neo4j platform. Secondly, the graph database has been investigated by using
data mining and exploratory analysis coupled with cypher graph query language.
Specifically, we have applied the graph convolution network (GCN) to enable CRM
analytics to forecast sales. This is the first step towards a GCN-based binary
classification based on graph databases in the domain of B2B CRM. We evaluate
the performance of the proposed GCN model on graph databases and compare it
with Random Forest (RF), Convolutional Neural Network (CNN), and Artificial
Neural Network (ANN). The proposed GCN approach is further augmented with the
shortest path and eigenvector centrality attribute to significantly improve the
accuracy of sales prediction. Experimental results reveal that the proposed
graph-based deep learning approach outperforms the Random Forests (RsF) and two
deep learning models, i.e., CNN and ANN under different combinations of graph
features.
- Abstract（参考訳）: ビジネス・ツー・ビジネス(B2B)の顧客関係管理(CRM)のユースケースでは、各クライアントは、しっかりとしたビジネス戦略と集中的で合理的な決定を持った潜在的なビジネス組織/企業です。
本稿ではB2B環境でCRMを改善するためのグラフベースの分析手法を提案する。
私たちのアプローチでは、最初の例では、neo4jプラットフォームを使用してグラフデータベースを設計しました。
次に,データマイニングと探索分析とcypher graphクエリ言語を併用したグラフデータベースについて検討した。
具体的には、CRM分析により売上予測を可能にするために、GCN(Graph Convolution Network)を適用した。
これは、B2B CRMの領域におけるグラフデータベースに基づいたGCNベースのバイナリ分類に向けた最初のステップである。
本稿では,グラフデータベース上でのGCNモデルの性能を評価し,それをランダムフォレスト(RF),畳み込みニューラルネットワーク(CNN),ニューラルネットワーク(ANN)と比較する。
提案したGCNアプローチは,販売予測の精度を大幅に向上させるため,最短経路と固有ベクトル中心性属性によりさらに拡張される。
実験の結果,提案手法はランダムフォレスト(Random Forests, RsF)と2つのディープラーニングモデル,すなわちCNNとANNをグラフの特徴の組み合わせで比較した。
関連論文リスト
- On Discprecncies between Perturbation Evaluations of Graph Neural
Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。
中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。
我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文 参考訳（メタデータ） (2024-01-01T02:03:35Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - A Dataset for Learning Graph Representations to Predict Customer Returns
in Fashion Retail [0.243788455857269]
本稿では、ファッション小売エコシステムにおける顧客のリターンを予測するという課題に対処するため、ASOSが収集した新しいデータセットを提案する。
まず、グラフ表現学習の応用に焦点をあてて、このデータセットの構造について検討する。
本稿では,ベースラインモデルとグラフ表現に基づくモデルの選択による回帰予測分類タスクの例を示す。
論文 参考訳（メタデータ） (2023-02-27T19:14:37Z) - Graph Property Prediction on Open Graph Benchmark: A Winning Solution by
Graph Neural Architecture Search [37.89305885538052]
PAS(Pooling Architecture Search)を導入してグラフ分類タスクのためのグラフニューラルネットワークフレームワークを設計する。
本稿では,GNNトポロジ設計手法であるF2GNNに基づいて改良を行い,グラフ特性予測タスクにおけるモデルの性能をさらに向上させる。
NAS法は,複数のタスクに対して高い一般化能力を有し,グラフ特性予測タスクの処理における本手法の利点が証明された。
論文 参考訳（メタデータ） (2022-07-13T08:17:48Z) - Taxonomy of Benchmarks in Graph Representation Learning [14.358071994798964]
グラフニューラルネットワーク(GNN)は、その固有の幾何学を考慮し、ニューラルネットワークの成功をグラフ構造化データに拡張する。
現在、グラフ表現学習ベンチマークによって、与えられたモデルのどの側面が調査されているかはよく分かっていない。
本稿では,グラフの摂動によってGNNの性能がどれだけ変化するかに基づいて,$textitsensitivity profile$に従ってベンチマークデータセットを分類する手法を開発した。
論文 参考訳（メタデータ） (2022-06-15T18:01:10Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Attention-Based Recommendation On Graphs [9.558392439655012]
グラフニューラルネットワーク(GNN)は、さまざまなタスクで顕著なパフォーマンスを示している。
本研究では,モデルベースレコメンデータシステムとしてGARecを提案する。
提案手法は,既存のモデルベース非グラフニューラルネットワークとグラフニューラルネットワークを異なるMovieLensデータセットで比較した。
論文 参考訳（メタデータ） (2022-01-04T21:02:02Z) - Node Feature Extraction by Self-Supervised Multi-scale Neighborhood
Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。
GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。
我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-29T19:55:12Z) - EWS-GCN: Edge Weight-Shared Graph Convolutional Network for
Transactional Banking Data [2.1169216065483996]
取引先間の送金に基づく顧客間の接続情報により、クレジットスコアリングの質が大幅に向上することを示す。
本研究では,新しいグラフ畳み込みニューラルネットワークモデル EWS-GCN を開発し,アテンション機構によるグラフ畳み込みとリカレントニューラルネットワークのアイデアを組み合わせた。
論文 参考訳（メタデータ） (2020-09-30T12:09:28Z) - Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。
高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。
このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
論文 参考訳（メタデータ） (2020-07-03T09:30:07Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳（メタデータ） (2020-03-08T13:02:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。