**已关闭。**此问题为not about programming or software development。目前不接受答复。
这个问题似乎不是关于a specific programming problem, a software algorithm, or software tools primarily used by programmers的。如果你认为这个问题与another Stack Exchange site的主题有关，你可以留下评论，解释在哪里可以回答这个问题。
5天前关闭。
Improve this question
我正在为基于图的数据实现一种欺诈检测方法，来自这篇文章：https://developer.nvidia.com/blog/optimizing-fraud-detection-in-financial-services-with-graph-neural-networks-and-nvidia-gpus/。在“训练GNN模型”和“使用GNN嵌入进行下游任务”部分，本文建议将表格数据集转换为图，然后为每个节点生成64宽度的嵌入，然后将它们连接到相应节点ID上的原始表格数据集。我已经生成了一个64宽度的节点嵌入Tensor，但是，我不确定下一步该怎么做。我曾想过将Tensor压缩到一维中，并根据节点ID追加它们，但我觉得这不是文章的建议。我也想过将整个Tensor添加到细胞中，但我觉得它不适合大多数机器学习模型。在这种情况下我该怎么办？我很抱歉，如果这似乎不像是正确的地方问这个问题，并将删除它，如果是这样的话。
1条答案
按热度按时间js4nwp541#
为了理解这个NVIDIA blog的作者使用什么样的嵌入来丰富数据集，让我们重新表述他们的方法：
nodes，交易表示edges。我在下面可视化了一个例子，以清楚地说明什么是nodes和什么是edges（这也证明了为什么我更喜欢硬科学而不是艺术学校）。link prediction任务创建node embeddings，也就是说，他们训练一个模型，预测card ID和merchant连接的概率。**注：**这是OP引用的64维嵌入。merchant和给定card ID连接的概率进行编码，因此每个交易只需要一次嵌入，因为每个交易只有一个商家和一张卡。64 features连接回数据集- XGBoost无法处理包含64维向量的单个特征，这就是为什么包含单个数字的64个特征是唯一有效的选项。创建的图形类型的可视化。为了简单起见，可视化假设每个人只拥有一张卡。由于数据集不包含
transaction ID，并且数据集中的每一行都包含一个事务，因此可以将row index视为transaction ID。