Прогнозирование психологических особенностей пользователей по тесту «Большая пятёрка» с использованием графовых нейронных сетей на осн

1.

Санкт-Петербургский государственный
университет
тема: ‘Прогнозирование выраженности
психологических особенностей пользователей по
тесту Большая пятерка с использованием
графовых нейронных сетей на основе
социального графа’
Выполнил: Воронков К.В.
Группа: 23.Б-16 мм
Научный руководитель: Гавриленко
О.Р.

2.

Актуальность и цель исследования:
Актуальность:
Социальные сети содержат значительные объёмы данных о
взаимодействиях пользователей, при этом структура социальных связей
является сложной и многокомпонентной.
Большинство существующих методов анализа используют только
табличное представление данные и не учитывают структуру связей.
Графовые нейронные сети позволяют учитывать топологию социальных
сетей и выявлять скрытые закономерности в данных.
Цель исследования:
● Прогнозирование выраженности психологических особенностей по тесту
«Большая пятёрка» на основе структуры социального графа с
использованием графовых нейронных сетей.

3.

Сбор и хранение данных, построение граф на их основе
Сбор данных через API социальной сети Вконтакте
Данные разделяются на два типа:
○ Признаки узлов (характеристики пользователей)
○ Признаки ребер (связи между пользователями)
Хранилища данных: PostgreSQL (реляционная база
данных) и Neo4j (графовая база данных)
Контейнеризация: Docker

4.

Архитектура модели
GraphGPS (Graph Global Positioning System) — это современная архитектура
графовых нейронных сетей, которая объединяет преимущества локальной
агрегации сообщений и глобального контекстного моделирования.
Ключевые компоненты
1. Локальный механизм внимания (Local Message Passing) - на каждом
слое применяется графовая свертка GIN, которая агрегирует
информацию от непосредственных соседей узла.
2. Глобальный механизм внимания (Global Self-Attention) параллельно с локальной агрегацией применяется механизм
многоголового внимания (Multi-Head Attention), позволяющий каждому
узлу взаимодействовать со всеми остальными узлами графа.
3. Спектральные позиционные кодировщики (Laplacian Positional
Encoding) - для обеспечения структурной осведомленности
трансформер-части к признакам узлов добавляются собственные
векторы лапласиана графа.

5.

Упрощенная схема архитектуры GraphGPS
GIN
Data
MLP
Attention
FFNN
MLP
MLP
GIN
MLP
Attention
FFNN

6.

Оценки метрик моделей: GraphGPS и Gradient Boosting
Для комплексной оценки качества моделей использовались три
взаимодополняющие метрики: коэффициент детерминации (R^2), средняя
абсолютная ошибка (MAE) и среднеквадратическая ошибка (RMSE). Данный набор
метрик позволяет оценить обобщаю способность моделей, так и характер ошибок
предсказания.
GraphGSP
Gradient Boosting
Целевые переменные
R^2
RMSE
MAE
Целевые переменные
R^2
RMSE
MAE
Экстраверсия-Интроверсия
-0.25
14.94
11.66
Экстраверсия-Интроверсия
0.45
10.06
8.27
Привязанность-Обособленность
-0.18
15.07
11.25
Привязанность-Обособленность
0.60
8.19
6.14
Самоконтроль-Импульсивность
-0.19
14.66
11.12
Самоконтроль-Импульсивность
0.70
6.71
4.88
Эмоциональная устойчивостьЭмоциональная неустойчивость
-0.27
15.42
12.11
Эмоциональная устойчивостьЭмоциональная неустойчивость
0.37
10.00
7.30
Экспрессивность-Практичность
-0.29
13.57
10.40
Экспрессивность-Практичность
0.58
7.08
4.94

7.

Интерпретация метрик моделей
Превосходство GraphGPS обусловлено способностью архитектуры
учитывать структурные зависимости в данных через механизмы
локальной агрегации и глобального внимания.
Градиентный бустинг, работающий с независимыми объектами, не
использует информацию о топологии графа, что приводит к потере
контекстных признаков и, как следствие, к систематическому
занижению качества прогноза.

8.

Кластеризация и скрытые подструктуры графа
Для выявления скрытых закономерностей и
подструктур в социальном графе были
применены методы снижения размерности и
кластеризации.
UMAP позволил визуализировать
высокоразмерные эмбеддинги узлов в
двумерном пространстве, сохранив локальные и
глобальные структуры.
Далее с помощью HDBSCAN были выделены
кластеры пользователей, отражающие схожие
паттерны взаимодействий и характеристики
узлов.
Результирующая визуализация демонстрирует
наличие скрытой структуры в графе, которую
невозможно выявить при анализе только
табличных признаков.

9.

Выводы:
Графовые нейронные сети представляют собой не просто альтернативу традиционным
методам, а необходимый инструмент для работы с данными, имеющими выраженную
структурную природу. Их применение открывает новые возможности для повышения
точности и содержательной интерпретации моделей в областях, где контекст и связи
играют определяющую роль. Использование графовых нейросетей позволяет учитывать
как локальные, так и глобальные взаимосвязи между элементами данных, выявлять
скрытые паттерны и структурные закономерности, недоступные при анализе только
табличных признаков.

10.

Спасибо за внимание