Schaalbaar en dYnamisch represeNtatief lEren van netweRken voor hooGwaardige analYse (SYNERGY)

Grafenfeaturizatie (het proces om informatieve variabelen af te leiden) wordt, in vele reële toepassingen inclusief churnpredictie (CP) en fraudedetectie (FD), typisch héél ad hoc uitgevoerd, wat resulteert in handgemaakte, dataset- en taakafhankelijke variabelen. Hiervoor is de betrokkenheid van experten noodzakelijk en bovendien is de informatie-extractie vaak suboptimaal omwille van de grote volumes van de onderliggende grafen. Representatieleren (RL), een techniek die in staat is om een continue vectorrepresentatie (of embedding) van nodes te leren op een automatische en taakonafhankelijke manier, kan gebruikt worden om dit omslachtig proces te vermijden, zeker gezien het feit dat de bekomen representaties vaak resulteren in betere predictieve resultaten. Omdat representatieleren tot nu toe nog niet is toegepast op churnpredictie noch fraudedetectie (met uitzondering van ons voorgaande werk), beogen we om in dit project nieuwe representatieleren-gebaseerde technieken te ontwikkelen voor deze bedrijfstoepassingen. We willen hiervoor een synergie uitbuiten tussen verschillende netwerkarchitecturen (artificiëel geaugmenteerde en heteregone varianten) en het dynamische aspect van de netwerken, iets wat typisch zeer slecht werd aangepakt in de literatuur tot dusver. Al deze aspecten tegelijkertijd in rekening brengen is van cruciaal belang omdat het toelaat om klanten voor te stellen via een beperkte maar uiterst kwalitatieve set van variabelen die het bouwen van predictieve modellen voor CP en FD kunnen optimaliseren.

Trefwoorden:Feature Engineering, Social Network Analysis, Network Representation Learning, Churn Prediction, Telco

Disciplines:Economische ontwikkeling, innovatie, technologische verandering en groei niet elders geclassificeerd