Работали ли вы с графовыми моделями

Что проверяют

Отличаете ли вы графовую базу данных от модели, которая учится на графе, и понимаете ли, когда связи между объектами дают выигрыш против обычных табличных признаков. Вопрос открытый, поэтому заодно оценивают честность: выдуманный опыт вскрывается вторым уточняющим вопросом.

Как отвечать

Разложите ответ на три уровня, это сразу показывает, что тема знакома:

• хранение и обход: графовая СУБД и язык запросов вроде Cypher, поиск путей и окружения узла;
• графовая аналитика: PageRank, компоненты связности, поиск сообществ (Louvain, label propagation), центральности;
• обучение на графе: эмбеддинги узлов (node2vec, DeepWalk) и графовые сети (GraphSAGE, GAT) на PyTorch Geometric или DGL.

Дальше назовите свою задачу и почему там понадобился именно граф: антифрод по связям счетов и устройств, рекомендации по совместному потреблению, схлопывание дублей сущностей, разбор зависимостей между таблицами. Полезно сказать вслух то, что знают практики: чаще выигрывает не сама нейросеть, а графовые признаки (степень узла, размер компоненты, доля соседей с меткой), посчитанные заранее и поданные в градиентный бустинг. Если опыта нет, скажите прямо и опишите, как подступились бы: из чего сделаете узлы и рёбра, чем ограничите размер окрестности, с чем сравните базовую табличную модель.

Где спотыкаются

Подменяют модель хранилищем. Рассказ про графовую СУБД и запросы отвечает на вопрос «где лежит», а спрашивают обычно «чему учили и на чём проверяли».

Не видят утечки через связи. Случайное разбиение узлов на обучение и тест протекает по рёбрам: сосед из обучающей части приносит метку в тестовую. Нужен временной срез и понимание разницы между transductive и inductive постановкой.

Приносят проценты без замера. Фраза про рост вовлечённости на четверть без описания эксперимента тянет за собой вопрос о схеме A/B, и ответ рассыпается. Лучше назвать метрику качества и честный базовый уровень, с которым сравнивали.