کاربرد شبکه های گراف عصبی در تحلیل شبکه های اجتماعی برای کشف اطلاعات پنهان

شبکه های گراف عصبی (GNN) طی سال های اخیر به ابزارهای تحول آفرین در تحلیل شبکه های اجتماعی تبدیل شده اند. این مقاله به بررسی جامع کاربردهای پیشرفته GNN در کشف اطلاعات پنهان از شبکه های اجتماعی با تحقیقات بر روی پژوهش های سال ۲۰۲۴ می پردازد. نتایج نشان می دهند که معماری های نوین، از جمله های گراف ترانسفورمرها و مدل های دربرنامه های خودنظارتی، موضوعات قابل توجهی در مورد سه گانه اصلی توجهی را نشان می دهند:۱)تشخیص موضوعات با دقت ۴۲ درصد در شاخص های NMI توسط HyperGNN شناسایی می شود.۲) شناسایی حساب های جعلی با دقت اجتماعی ۹۶.۷ درصد از طریق FakeSpotter-GNN. کمک Socialitrend-Transformerمطالعات بعدی نیز حاکی از آناند که روش های تلفیق پیشرفته ای مانند جاسازی های هایپربولیک، مکانیزم های توجه پویا، و گراف های چندوجهی، عملکرد سیستم ها را به طور متوسط ۳۰ تا ۴۵ درصد نسبت به مدل های سنتی ارتقا داده است. با این حال، چالش هایی مانند مصرف بیش از انرژی (تا ۱۷۰ کیلووات ساعت برای آموزش مدل های بزرگ)، مسائل مربوط به حریم خصوصی، و خطر تشدید سوگیری ها همچنان ادامه دارد. جهت گیری آینده پژوهش ها برای توسعه مدل های کارآمدتر، افزایش تفسیرپذیری و همگرایی با فناوری های حفظ حریم خصوصی خصوصی است. این مرور نظام مند نشان می دهد GNNها در مسیر بلوغ فنی قرار دارند و قابلیت تحول در تحلیل شبکه های اجتماعی را دارا هستند.

کلیدواژه ها:

شبکه های گراف عصبی ، تحلیل شبکه های اجتماعی ، خودنظارتی ، گراف ترانسفرمر ، کشف اطلاعات پنهان