AEGIS：边稀疏二部知识图谱链接预测中的真实性边增长
机器学习
2026-05-01 v4
摘要
小众领域中的二部知识图谱通常数据匮乏且边稀疏，这阻碍了链接预测。我们引入AEGIS（Authentic Edge Growth In Sparsity），一个仅边增强框架，通过对现有训练边进行重采样——均匀简单或带逆度偏差的度感知——从而保留原始节点集并规避虚构端点。为探测不同区域的真实性，我们考虑自然稀疏图（游戏设计模式的 game-pattern 网络），并通过高通量键渗流在更密集的基准（Amazon、MovieLens）中诱导稀疏性。我们在两个互补指标上评估增强效果：AUC-ROC（越高越好）和Brier分数（越低越好），使用双侧配对t检验与稀疏基线对比。在Amazon和MovieLens上，复制型AEGIS变体与基线匹配，而语义KNN增强是唯一恢复AUC和校准的方法；随机边和合成边仍然有害。在文本丰富的GDP图上，语义KNN实现了最大的AUC提升和Brier分数降低，simple方法相对于稀疏对照也降低了Brier分数。这些发现将真实性约束的重采样定位为稀疏二部链接预测的数据高效策略，当有信息丰富的节点描述可用时，语义增强提供额外提升。
引用
@article{arxiv.2509.22017,
title = {AEGIS: Authentic Edge Growth In Sparsity for Link Prediction in Edge-Sparse Bipartite Knowledge Graphs},
author = {Hugh Xuechen Liu and Kıvanç Tatar},
journal= {arXiv preprint arXiv:2509.22017},
year = {2026}
}