La red social LinkedIn, ha creado un nuevo método GNN llamado “PASS” para mejorar la precisión de sus recomendaciones.
Los gráficos están en todo nuestro alrededor, tu red social es un gráfico de personas y relaciones, al igual que tu familia, el camino del punto A al punto B forma un gráfico, los enlaces que conectan este sitio web con otros sitios web forman un gráfico.
Básicamente, todo lo que esté compuesto por entidades relacionadas se puede representar como un gráfico, los gráficos son herramientas excelentes para visualizar las relaciones entre personas, objetos y conceptos.
Sin embargo, además de mostrar información, los gráficos también pueden ser una buena fuente de datos para entrenar modelos de aprendizaje automático para tareas complicadas.
Redes neuronales gráficas (GNN)
Las redes neuronales gráficas (GNN) son un tipo de algoritmo de aprendizaje automático que puede extraer información importante de gráficos y realizar predicciones útiles.
De esta forma las GNN, analizan las conexiones de un miembro y las conexiones de las conexiones para realizar tareas de IA como la búsqueda y la recomendación.
Grandes empresas como Google, Twitter y Facebook, invierten grandes cantidades de dinero para realizar investigaciones de GNN, ya que han demostrado ser superiores a otros modelos de aprendizaje automático que funcionan con gráficos.
Desafortunadamente, se ha descubierto que la aplicación de este modelo es poco preciso en las recomendaciones para las redes sociales porque presenta algunas limitaciones.
Por ejemplo, cuando una estrategia basada en GNN se aplica para determinar las conexiones entre usuarios, amigos o colegas profesionales es muy difícil determinar los matices y los grados de relaciones de los mismos.
En la mayoría de los casos, un solo usuario tiene muchas conexiones, y utilizarlas todas para realizar una recomendación no es para nada práctico, una figura de internet, por ejemplo, podría tener millones de conexiones.
Entonces ¿Qué esta pasando con Linkedln?
LinkedIn se dio a la tarea de implementar un nuevo método GNN llamado “Estrategia de muestreo adaptativo al rendimiento” o “PASS”, lo que hace este nuevo método es utilizar la Inteligencia Artificial para recabar los vecinos más relevantes dentro de los gráficos para mejorar la precisión de las recomendaciones.
De hecho se ha demostrado que PASS logra una mejor precisión en la predicción, aunque utiliza menos vecinos que otros modelos tradicionales de GNN. El equipo de LinkedIn probó su método en siete gráficos de referencia públicos y dos gráficos propios.
Los resultados demostraron que PASS supera los algoritmos GNN de última generación hasta en un 10.4%.
Este modelo ya ha sido aplicado en los motores de recomendación de LinkedIn, pero ahora lo han lanzado a la comunidad de código abierto para realizar un intercambio de experiencias y ampliar el conocimiento sobre el desarrollo de la misma.
Queremos comparar nuestros métodos para los conjuntos de datos de otros investigadores“.
Jaewon Yang, Ingeniero de Software Sénior de LinkedIn
Leave a Reply