نماذج مؤسسة الرسم البياني للبيانات العلائقية

تشكل قواعد البيانات العلائقية الجزء الأكبر من تنسيقات بيانات المؤسسات وتشغيل العديد من خدمات التنبؤ في جميع أنحاء Google بالإضافة إلى الخدمات الأخرى التي يستخدمها الأشخاص كل يوم ، مثل توصية المحتوى أو التنبؤ بحركة المرور. تستخدم معظم التطبيقات غير التافهة جداول متعددة-في الواقع ، قد تتطلب بعض التطبيقات المعقدة في Google الحفاظ على مئات الجداول-واستخراج قيمة قابلة للتنفيذ من شبكات الجداول هذه غير تافهة إلى حد ما. غالبًا ما تكافح أساليب التعلم الآلي الجدولي التقليدي (مثل أشجار القرار) للاستفادة الكاملة من بنية الاتصال لهذه المخططات العلائقية.

من ناحية أخرى ، تقدم التطورات الحديثة في ML مجموعة من الأدوات لإنشاء الشبكات العصبية الرسم البياني (GNN) المصممة لبيانات منظمة للرسم البياني ، حيث يمكن تأطير المهام ذات الصلة بالصناعة على أنها تصنيف العقدة (أو الانحدار) أو تنبؤات على مستوى الرسم البياني. ومع ذلك ، يتم تثبيت معظم GNNs على رسم بياني معين تم تدريب النموذج عليه ولا يمكنه التعميم على الرسوم البيانية الجديدة مع العقد الجديدة وأنواع الحواف والميزات وعلامات العقدة. على سبيل المثال ، لا يمكن إعادة استخدام نموذج مدرب على معيار الرسم البياني الكبير لعقدة 100 متر من الرسم البياني الخاص بك (على سبيل المثال ، المعاملات بين المستخدمين والمنتجات) نظرًا لأن مساحات الميزة والملصقات مختلفة تمامًا ، لذلك يتعين عليك إعادة تدريب نفس النموذج من نقطة الصفر على بياناتك الخاصة. على الرغم من أن بعض المحاولات الأولية أظهرت قابلية المفهوم في مهام التنبؤ وتصنيف العقدة المحددة ، إلا أنه لم يكن هناك نموذج عام يمكن أن يتعلم تمثيلات ذات معنى عبر البيانات العلائقية ومعالجة جميع مهام التنبؤ على مستوى العقدة والرسم البياني.

اليوم ، نستكشف إمكانية تصميم نموذج واحد يمكنه التفوق على الجداول العلائقية المترابطة وفي الوقت نفسه تعميم على أي مجموعة تعسفية من الجداول والميزات والمهام دون تدريب إضافي. نحن متحمسون لمشاركة تقدمنا الأخير في تطوير نماذج مؤسسة الرسم البياني (GFM) التي تدفع حدود تعلم الرسم البياني و ML Tabular إلى ما وراء خطوط الأساس القياسية.