Đồ án tốt nghiệp: Tìm hiểu Graph Neural Network và xây dựng ứng dụng minh họa

LỜI CẢM ƠN

1. CHƯƠNG 1: MỞ ĐẦU

1.1. LÝ DO CHỌN ĐỀ TÀI

1.2. MỤC TIÊU CỦA ĐỀ TÀI

1.2.1. Mục tiêu của đề tài

1.2.2. Mục tiêu thực hiện

1.3. PHƯƠNG PHÁP NGHIÊN CỨU

1.3.1. Về mặt lý thuyết

1.3.2. Đối tượng nghiên cứu

1.3.3. Phạm vi nghiên cứu

1.4. KẾT QUẢ DỰ KIẾN ĐẠT ĐƯỢC

2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

2.1. TỔNG QUAN VỀ HỌC MÁY

2.1.1. Giới thiệu về học máy

2.1.2. Các phương pháp của học máy

2.1.2.1. Học có giám sát (Supervised learning)

2.1.2.2. Học không giám sát (Unsupervised machine learning)

2.1.2.3. Học bán giám sát (Semi-supervised learning)

2.1.3. Giới thiệu về học sâu

2.1.4. Một số đặc điểm của học sâu

2.2. LÝ THUYẾT CƠ BẢN LIÊN QUAN ĐẾN ĐỒ THỊ

2.2.1. Lý thuyết đồ thị cơ bản

2.2.2. Mạng Neural (Neural Network) cơ bản

2.3. TỔNG QUÁT VỀ HỌC BIỂU DIỄN

2.3.1. Học biểu diễn (Representation Learning)

2.3.2. Học biểu diễn đồ thị (Graph representation learning)

2.4. GRAPH NEURAL NETWORK

2.4.1. Giới thiệu về Graph Neural Network

2.4.2. Các kiến trúc phổ biến của Graph Neural Network

2.4.3. Ứng dụng của Graph Neural Network

2.4.4. Hạn chế của Graph Neural Network

2.4.5. Tương lai của Graph Neural Network

3. CHƯƠNG 3: ỨNG DỤNG

3.1. GIỚI THIỆU VỀ BÀI TOÁN DỰ ĐOÁN LIÊN KẾT

3.1.1. Định nghĩa bài toán dự đoán liên kết trong mạng đồ thị

3.1.2. Cách tiếp cận và phương pháp

3.1.2.1. Các phương pháp truyền thống

3.1.2.2. Áp dụng Graph Neural Network cho bài toán dự đoán liên kết

3.1.3. Ứng dụng của bài toán dự đoán liên kết

3.1.4. Các thách thức của bài toán dự đoán liên kết

3.2. THỰC NGHIỆM VÀ ĐÁNH GIÁ

3.2.1. Môi trường cần thiết

3.2.2. Mô tả dữ liệu

3.2.3. Xử lý dữ liệu

3.2.4. Xây dựng mô hình

3.2.5. Huấn luyện mô hình

3.2.6. Dự đoán kết quả

3.2.7. Đánh giá và nhận xét kết quả

4. CHƯƠNG 4: KẾT LUẬN

4.1. HƯỚNG PHÁT TRIỂN

CHƯƠNG 5: TÀI LIỆU THAM KHẢO

I. Giới thiệu về Đồ án tốt nghiệp

Đồ án tốt nghiệp với chủ đề 'Tìm hiểu Graph Neural Network và xây dựng ứng dụng minh họa' là một nghiên cứu chuyên sâu về Graph Neural Network (GNN), một mô hình học máy tiên tiến trong lĩnh vực trí tuệ nhân tạo và học sâu. Đồ án này tập trung vào việc khám phá các khái niệm cơ bản, lịch sử phát triển, và cách thức hoạt động của GNN, đồng thời áp dụng kiến thức này để giải quyết bài toán dự đoán liên kết trong mạng đồ thị. Mục tiêu chính của đồ án là xây dựng một ứng dụng minh họa cụ thể, giúp hiểu rõ hơn về tiềm năng và hạn chế của GNN trong thực tế.

1.1. Lý do chọn đề tài

Với sự phát triển mạnh mẽ của công nghệ học sâu và trí tuệ nhân tạo, việc xử lý dữ liệu đồ thị trở nên quan trọng hơn bao giờ hết. Graph Neural Network là một công cụ mạnh mẽ để phân tích và xử lý dữ liệu đồ thị, đặc biệt trong các bài toán như dự đoán liên kết và phân tích mạng xã hội. Đề tài này được chọn nhằm khám phá tiềm năng của GNN và áp dụng nó vào các ứng dụng thực tế, từ đó đóng góp vào sự phát triển của lĩnh vực AI và học máy.

1.2. Mục tiêu của đồ án

Mục tiêu chính của đồ án là tìm hiểu sâu về Graph Neural Network, bao gồm các mô hình phổ biến như Graph Convolutional Network (GCN), GraphSAGE, và Graph Attention Network (GAT). Đồng thời, đồ án cũng hướng đến việc xây dựng một ứng dụng minh họa để giải quyết bài toán dự đoán liên kết, từ đó đánh giá hiệu quả của các phương pháp này trong thực tế.

II. Cơ sở lý thuyết về Graph Neural Network

Graph Neural Network (GNN) là một mô hình học máy được thiết kế để xử lý dữ liệu đồ thị. GNN kế thừa các nguyên lý từ mạng nơ-ron truyền thống nhưng được mở rộng để xử lý các cấu trúc đồ thị phức tạp. GNN hoạt động bằng cách truyền thông tin giữa các nút trong đồ thị thông qua các cạnh, từ đó học các biểu diễn đặc trưng của các nút và đồ thị. Các mô hình GNN phổ biến bao gồm Graph Convolutional Network (GCN), GraphSAGE, và Graph Attention Network (GAT), mỗi mô hình có những ưu điểm và hạn chế riêng.

2.1. Graph Convolutional Network GCN

Graph Convolutional Network (GCN) là một trong những mô hình đầu tiên của GNN, được thiết kế để xử lý dữ liệu đồ thị bằng cách sử dụng các phép tích chập trên đồ thị. GCN hoạt động bằng cách tổng hợp thông tin từ các nút lân cận để cập nhật biểu diễn của từng nút. Mô hình này đặc biệt hiệu quả trong các bài toán phân loại nút và dự đoán liên kết.

2.2. Graph Attention Network GAT

Graph Attention Network (GAT) là một mô hình GNN tiên tiến, sử dụng cơ chế attention để xác định mức độ quan trọng của các nút lân cận trong quá trình truyền thông tin. GAT cho phép mô hình tập trung vào các nút quan trọng hơn, từ đó cải thiện hiệu suất trong các bài toán phức tạp như dự đoán liên kết và phân tích mạng xã hội.

III. Ứng dụng minh họa và kết quả

Đồ án đã xây dựng một ứng dụng minh họa để giải quyết bài toán dự đoán liên kết bằng cách sử dụng các mô hình GNN như GCN và GAT. Ứng dụng được thử nghiệm trên tập dữ liệu fb-pages-food, một tập dữ liệu đồ thị phổ biến trong nghiên cứu. Kết quả cho thấy các mô hình GNN đạt hiệu suất cao trong việc dự đoán liên kết, đặc biệt là GAT với cơ chế attention giúp cải thiện độ chính xác đáng kể.

3.1. Bài toán dự đoán liên kết

Bài toán dự đoán liên kết là một trong những ứng dụng quan trọng của GNN, nhằm dự đoán khả năng xuất hiện của các cạnh mới trong đồ thị. Bài toán này có nhiều ứng dụng thực tế như phân tích mạng xã hội, khuyến nghị sản phẩm, và phân tích sinh học.

3.2. Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy Graph Attention Network (GAT) đạt hiệu suất cao nhất trong bài toán dự đoán liên kết, với độ chính xác cao hơn so với Graph Convolutional Network (GCN). Điều này chứng tỏ cơ chế attention trong GAT giúp mô hình tập trung vào các nút quan trọng hơn, từ đó cải thiện hiệu suất dự đoán.

IV. Kết luận và hướng phát triển

Đồ án đã thành công trong việc tìm hiểu và áp dụng Graph Neural Network vào bài toán dự đoán liên kết. Kết quả thực nghiệm cho thấy tiềm năng lớn của GNN trong việc xử lý dữ liệu đồ thị, đặc biệt là với các mô hình tiên tiến như Graph Attention Network (GAT). Trong tương lai, đồ án có thể được mở rộng bằng cách áp dụng GNN vào các bài toán phức tạp hơn như phân tích mạng xã hội, khuyến nghị sản phẩm, và phân tích sinh học.

4.1. Hướng phát triển

Hướng phát triển của đồ án bao gồm việc áp dụng GNN vào các bài toán phức tạp hơn, cải thiện hiệu suất của các mô hình GNN bằng cách kết hợp với các kỹ thuật học sâu khác, và mở rộng ứng dụng vào các lĩnh vực thực tế như y tế, tài chính, và giáo dục.

Đồ án tốt nghiệp kỹ thuật dữ liệu: Khám phá Graph Neural Network và phát triển ứng dụng minh họa