Akuisisi Merchant menggunakan Graph Machine Learning

Rayhan Faris Jufahri, Erwin Eko Wahyudi, S.Kom., M.Cs.; Dzikri Rahadian Fudholi, S.Kom., M.Comp.

2023 | Skripsi | ILMU KOMPUTER

Pengembangan berkelanjutan dari jaringan konvolusional pada data berstruktur graf telah menghasilkan kinerja yang baik pada tugas pembelajaran mesin seperti klasifikasi node, prediksi link, dan deteksi komunitas. Penelitian sebelumnya menerapkan jaringan konvolusional yang dapat diskalakan, seperti jaringan konvolusi grafik (GCN), pada sistem rekomendasi gambar dengan mengambil sampel dan menggabungkan fitur node lingkungannya. Namun, masih sedikit literatur yang menggunakan metode pembelajaran mesin untuk mengakuisisi Merchant dengan memanfaatkan GCN pada jaringan transaksi skala besar untuk melaksanakan tugas klasifikasi Merchant yang berpotensi berdasarkan riwayat transaksi dan data demografis mereka.

Makalah ini akan mengatasi kesenjangan penelitian dengan menerapkan algoritma berbasis GCN, yang dinamakan PinSAGE, pada jaringan transaksi untuk merepresentasikan data secara efisien guna membangun sistem akuisisi Merchant yang berskala besar. Data yang digunakan dalam eksperimen ini adalah sampel transaksi selama kurun waktu enam bulan. Data ini akan diubah menjadi representasi grafik dan digunakan untuk melatih model PinSAGE.

Setelah dilakukan eksperimen, model PinSAGE mampu mencapai skor akurasi model 81,48%, dengan skor F-beta 0,8122 (dengan parameter beta ditetapkan ke 0,5). Model ini mengungguli model GCN yang sebanding seperti BGNN dan RGCN dengan margin akurasi model 20%. Model PinSAGE mampu menghasilkan dan mempelajari representasi yang bermakna dan menunjukkan potensi besar dalam menangani kumpulan data transaksional yang heterogen.

The continuous development of deep convolutional networks on graph-structure data has led to state-of-the-art performance on tasks such as node classification, link prediction, and community detection. Previous research has primarily implemented scalable deep convolutional networks, like graph convolutional networks (GCNs), on image recommendation systems by sampling and aggregating node neighborhood features. However, a few literature utilizes machine learning methods to acquire merchants by utilizing GCNs on large-scale transaction networks to classify potential merchants based on their transaction history and demographic data.

This paper will address the research gap by implementing a GCN-based algorithm, called PinSAGE, on a transaction network to efficiently represent data in an embedding space crucial to building large-scale merchant acquiring systems. The data used in this experiment is a snapshot of transactions over the course of a month. This data will be converted to a graph representation and used to train the PinSAGE model.

After conducting the experiment, the PinSAGE model was able to achieve 81.48% of model accuracy score, with an F-beta score of 0.8122 (with beta parameter set to 0.5). This model outperforms both the comparable GCN model such as BGNN and RGCN by 20% model accuracy margin. The PinSAGE model was able to generate and learn rich embeddings and shows great potential in handling heterogeneous, transactional dataset.

Kata Kunci : Machine learning, Node classification, Graph convolutional networks, Merchant acquisition, Graph representation.