自带视图：基于个性化子图选择的图神经网络链接预测
信息检索
2022-12-26 v1 机器学习
摘要
图神经网络（GNNs）在链接预测（GNNLP）任务中取得了显著成功。现有方法首先为整个数据集预定义子图，然后应用 GNNs 通过利用由固定子图诱导的邻域结构来编码边表示。GNNLP 方法的突出表现显著依赖于这种特定的子图。由于真实世界图中的节点连接是复杂的，一个共享的子图对所有边而言是受限的。因此，子图的选择应当针对不同的边进行个性化。然而，执行个性化子图选择并非易事，因为潜在的选择空间随边规模呈指数增长。此外，在链接预测场景中推理边在训练期间不可用，因此选择过程需要是归纳式的。为弥补这一差距，我们引入了一个个性化子图选择器（PS2）作为即插即用框架，在使用 GNNLP 时自动、个性化和归纳式地为不同边识别最优子图。PS2 被实例化为一个双层优化问题，可以用不同方式高效求解。将 GNNLP 模型与 PS2 结合，我们提出了一种全新的 GNNLP 训练角度：首先为边识别最优子图；然后利用采样的子图专注于训练推理模型。综合实验证实了我们所提方法在各种 GNNLP 骨干网络（GCN、GraphSage、NGCF、LightGCN 和 SEAL）和多样化基准（Planetoid、OGB 和推荐数据集）上的有效性。我们的代码公开于 \url{https://github.com/qiaoyu-tan/PS2}。
引用
@article{arxiv.2212.12488,
title = {Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection},
author = {Qiaoyu Tan and Xin Zhang and Ninghao Liu and Daochen Zha and Li Li and Rui Chen and Soo-Hyun Choi and Xia Hu},
journal= {arXiv preprint arXiv:2212.12488},
year = {2022}
}