PYXIDA Institutional Repository
and Digital Library
Collections :

Title :Neural graph representations and their application to link prediction
Alternative Title :Νευρωνικές γραφικές αναπαραστάσεις και η εφαρμογή τους σε πρόβλεψη ακμών
Creator :Kotitsas, Sotiris
Κοτίτσας, Σωτήριος
Contributor :Androutsopoulos, Ion (Επιβλέπων καθηγητής)
Pappas, Dimitris (Επιβλέπων καθηγητής)
Koutsopoulos, Iordanis (Εξεταστής)
Papageorgiou, Haris (Εξεταστής)
Type :Text
Extent :53p.
Language :en
Identifier :
Abstract :In this thesis, we experiment with the task of Link Prediction using Network Embedding(ne) methods. ne methods map network nodes to low-dimensional feature vectors and have wide applications in network analysis and bioinformatics. We consider separately the task of Link Prediction in graphs with only one type of relationship and in graphs with more than one type of relationship. The ultimate goal is to create methods capable of making novel predictions and helping in the Biomedical domain, e.g. covid-19 related predictions. To that end, we create a biomedical dataset containing Coronavirus related information complemented by entities and relationships acquired from the umls ontology. Secondly, we note that the ne methods can be categorized to methods that utilize only the structure of the graphs and to methods that also try to exploit metadata associated with graphs, e.g. textual descriptors of the nodes. We utilize the idea of incorporating textual with structural information and propose several novel architectures which try to tackle the problem of simple and multi-relational link prediction. We evaluate these approaches to several benchmark datasets and also show that our multi-relational methods are competitive against the state-of-the-art in two benchmark datasets. We also show that our approach yields the same results and even outperforms the state-of-the-art in some metrics in our COVID-related graph. Finally, we do predictions regarding the covid-19concept and try to show their novelty, by examining if we are discovering information that had not been published when the COVID-related graph was constructed.
Στην παρούσα διπλωµατιϰή εργασία, πειραµατιζόµαστε µε το πρόβληµα της πρόβλεψης αϰµών (link prediction) σε γράφους, χρησιµοποιώντας µεϑόδους που παράγουνενσωµατώσεις διϰτύων (network embeddings, NE). Οι ne µέϑοδοι αντιστοιχούν τουςϰόµβους ενός γράφου σε χαµηλών διαστάσεων αναπαραστάσεις ϰαι έχουν αρϰετέςεφαρµογές σε ανάλυση διϰτύων ϰαι στη βιοπληροφοριϰή. Εξετάζουµε ξεχωριστά τοπρόβληµα της πρόβλεψης αϰµών σε γράφους, οι οποίοι έχουν µόνο ένα είδος σχέσης ϰαισε γράφους οι οποίοι έχουν παραπάνω από ένα τύπο σχέσεων. Ο απώτερος σϰοπός είναινα δηµιουργήσουµε µεϑόδους οι οποίες είναι ιϰανές να ϰάνουν πρωτοποριαϰές προβλέψεις ϰαι να βοηϑήσουν στο βιοιατριϰό τοµέα, π.χ. προβλέψεις σχετιϰές µε τον covid19. Γι’ αυτό το σϰοπό, δηµιουργούµε ένα βιοιατριϰό σύνολο δεδοµένων, το οποίο περιέχει πληροφορίες σχετιϰές µε ϰορωνοϊούς ϰαι έχει συµπληρωµατιϰή πληροφορία γιαοντότητες ϰαι σχέσεις από την οντολογία umls. ∆εύτερον, χωρίζουµε τις µεϑόδους ne, σε µεϑόδους οι οποίες αξιοποιούν µόνο τη δοµή του γράφου ϰαι σε µεϑόδους που προσπαϑούν να εϰµεταλλευτούν ϰαι µεταδεδοµένα του γράφου, π.χ. ϰειµενιϰές περιγραφέςτων ϰόµβων. Αξιοποιούµε την ιδέα του να χρησιµοποιούµε πληροφορία σχετιϰή µε τηνδοµή ϰαι το ϰείµενο του γράφου ϰαι προτείνουµε αρϰετές πρωτοποριαϰές µεϑόδους πουπροσπαϑούν να λύσουν το πρόβληµα της πρόβλεψης αϰµών µε έναν ϰαι πολλούς τύπουςσχέσεων. Αξιολογούµε αυτές τις προσεγγίσεις σε πολλαπλά σύνολα δεδοµένων ϰαιεπίσης δείχνουµε ότι οι πολυ-σχεσιϰές µέϑοδοί µας είναι ανταγωνιστιϰές µε µια απότις ϰορυφαίες (state of the art) µεϑόδους σε δυο σύνολα δεδοµένων. Επίσης, δείχνουµεότι η προσέγγισή µας αποδίδει τα ίδια αποτελέσµατα ϰαι αϰόµα ξεπερνάει την ϰορυφαία µέϑοδο σε ορισµένες µετριϰές στον COVID γράφο µας. Τέλος, ϰάνουµε προβλέψεις σχετιϰές µε την οντότητα του covid-19 ϰαι προσπαϑούµε να αξιολογήσουµε τηνχρησιµότητά τους,εξετάζοντας αν οι πληροφορίες που αναϰαλύπτουµε είχαν δηµοσιευτείτην περίοδο που φτιάχτηϰε ο COVID γράφος µας.
Subject :Neural graphs
Node embeddings
Link prediction
Νευρωνικά δίκτυα
Πρόβλεψη ακμών
Διανύσματα κόμβων
Date Available :2020-12-31 11:31:16
Date Issued :2020
Date Submitted :2020-12-31 11:31:16
Access Rights :Free access
Licence :

File: Kotitsas_2020.pdf

Type: application/pdf