recommenders-team/recommenders

Which unsupervised method can infer explicit interaction from occurance(count) data?

Open

#1 384 ouverte le 24 avr. 2021

Voir sur GitHub
 (0 commentaires) (0 réactions) (0 assignés)Python (2 972 forks)batch import
help wanted

Métriques du dépôt

Stars
 (17 706 stars)
Métriques de merge PR
 (Merge moyen 6j 16h) (10 PRs mergées en 30 j)

Description

Our input data is a table of edges (edge weight is implicit interaction, which weighted with co-occurrence, edge type was also implicit which inferred from prior knowledge) and a list of nodes (two types: users and items). Group-truth is a small set of edges that are known to exist. The ground-truth set is too small to train a model, therefore, we want to do unsupervised analysis. For example:

edgetable.csv (potential edges) dst | src | attr A | B | edgetype1 A | B | edgetype2 A | C | edgetype1 B | D | edgetype1

nodetable nodeID | type | sample1(count) | sample2(count) | sample3(count) A | nodetype2 | 5 | 6 | 8 B | nodetype1 | 3 | 5 | 9 C | nodetype1 | 2 | 4 | 6 D | nodetype2 | 5 | 2 | 5

ground-truth B D edgetype1

Our purpose is twofold:

Whether there is an explicit interaction between two types of nodes turely exist in given samples?
How to determine the edge type?

Thank you for your help！

Guide contributeur

Direction de recherche
Cette issue demande quelle méthode non supervisée peut déduire des interactions explicites à partir de données de co occurrence. Le problème implique la prédiction de liens et la classification du type d'arête dans un graphe biparti avec attributs de nœuds. Les approches suggérées incluent l'utilisation du clustering de graphes, de l'extraction de règles d'association ou de réseaux neuronaux de graphes non supervisés comme GraphSAGE ou GAT appliqués à un graphe construit. La réponse doit prendre en compte la petite taille des données de référence et se concentrer sur des modèles heuristiques ou génératifs. Les fichiers pertinents dans le dépôt peuvent inclure des exemples dans le répertoire examples/ ou des notebooks sur les modèles de recommandation.
Stack technique
Aucun
Domaine
machine learningdata
Type d'issue
Recherche
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
3
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
1-2 jours
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Récente
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Claire
Prérequis
PythonMachine Learning
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
50