基于 PU 学习的边不完整图精准链路预测
人工智能
2024-12-13 v2 机器学习
社会与信息网络
摘要
给定一个边不完整图，我们如何准确找到缺失的链路？边不完整图中的链路预测旨在当实体间的关系以图表示时，发现这些实体间缺失的关系。由于现实中的实际限制（例如在社交网络中添加好友时未检查所有用户），边不完整图在现实世界中普遍存在。解决该问题对于诸多任务至关重要，包括在社交网络中推荐好友以及在引文网络中寻找参考文献。然而，以往的方法严重依赖给定的边不完整（已观测）图，使得在训练期间难以考虑缺失（未观测）的链路。在本文中，我们提出了 PULL（基于 PU 学习的链路预测器），这是一种基于正未标记（PU）学习的准确链路预测方法。PULL 将训练图中的已观测边视为正例，将未连接的节点对视为未标记样本。PULL 通过为每条边引入潜在变量，并利用关于这些变量的期望图结构，有效防止了链路预测器对已观测图的过拟合。在五个真实世界数据集上的大量实验表明，PULL 在边不完整图的链路预测任务上始终优于基线方法。
引用
@article{arxiv.2405.11911,
title = {Accurate Link Prediction for Edge-Incomplete Graphs via PU Learning},
author = {Junghun Kim and Ka Hyun Park and Hoyoung Yoon and U Kang},
journal= {arXiv preprint arXiv:2405.11911},
year = {2024}
}
备注
AAAI'25