Las redes neuronales gráficas (GNN) son un campo del aprendizaje profundo que está basado en grafos para comprender las relaciones entre los conjuntos de entidades que se mantienen en una base de datos.
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.
De hecho, grandes empresas como Facebook, Google y Twitter invierten grandes cantidades de dinero para realizar investigaciones de GNN porque han demostrado ser superiores a otros modelos de aprendizaje automático que funcionan con gráficos.
Sin embargo, se ha descubierto que la aplicación de este modelo es poco preciso en las recomendaciones para las redes sociales porque presenta algunas limitaciones.
Para empezar, 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. Un influencer, por ejemplo, podría tener millones de conexiones.
LinkedIn y su nuevo método GNN
Lo que hace que una recomendación sea poco precisa y confusa. Es por eso que LinkedIn se ha dado 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 IA 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%.
Cabe destacar que 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
Finalmente, LinkedIn planea integrar PASS en varias aplicaciones de GNN en un futuro próximo.
