27、基于图神经网络和文本行业数据的交易预测及近似贝叶斯计算方法的过拟合问题

基于图神经网络和文本行业数据的交易预测及近似贝叶斯计算方法的过拟合问题

1. 基于图神经网络和文本行业数据的交易预测

1.1 方法优势分析

提出的方法在ROC - AUC得分上表现出色，达到了0.9505。这得益于考虑了文本信息、边权重增强的注意力机制，以及选择合适的图神经网络（GNN）。在第一个图注意力网络（GAT）层捕获邻居节点的重要性，并在后续的图同构网络（GIN）层增加表示能力。

与node2vec相比，GNN（如GCN、GAT和GIN）的关键区别在于是否利用节点特征（这里是账户描述）以及网络拓扑结构。GIN由于其强大的表示能力，得分高于GCN和GAT。

1.2 不同方法的性能比较

方法	ROC - AUC得分稳定性	原因分析
提出的方法和GCN	得分恶化程度较node2vec更温和	基于GNN的方法考虑了节点特征和网络拓扑结构，更有效
提出的注意力机制	平均、最大和最小ROC - AUC得分均优于现有方法	新的注意力机制同等重视节点和边的信息，但会丢失一些节点特征信息
低级别行业分类的节点特征	平均、最大和最小ROC - AUC得分更高	节