用于推荐、欺诈检测和关联数据的图神经网络

我为信号存在于连接而非单个表行的任务构建图机器学习系统。当您的用户、账户、设备、支付或产品形成密集的关系网络时，平坦的表格会丢失最有价值的信号——谁与谁连接。我设计并训练图神经网络，直接读取这些连接，因此模型考虑节点的周围环境和节点之间的路径，而不是假装每条记录都是独立存在的。

我运行整个端到端的流程。我首先构建图：将原始日志、交易和目录转换为干净的节点和类型化的边，决定连接的实际含义以及如何加权。然后，我组装节点和边预测模型，训练将相似实体放置在附近的嵌入，并选择与您的数据相匹配的架构——GraphSAGE、GAT、消息传递、异构图，而不是教科书示例。诚实的评估对我来说和准确性一样重要，因此我设置无泄漏的拆分、时间验证和基线模型，诚实地显示图是否增加了价值。

部署是工作的一部分，而不是后来的额外奖励。我为批量评分或低延迟在线推理打包模型，调整大型图的邻居采样，并记录一切，以便您的团队可以重新训练和扩展系统本身。典型结果：理解更广泛上下文的推荐引擎，捕捉整个方案而不仅仅是个别违法者的欺诈检测，以及为您现有模型提供图嵌入的丰富层。如果您有连接数据，并且感觉答案隐藏在连接本身中，我会证明这一点并将其投入生产。