GNN能否学习链路启发式方法？链路预测方法的简明综述与评估
社会与信息网络
2025-12-09 v2 机器学习
摘要
本文探讨了图神经网络（GNN）在链路预测中学习各种信息形式的能力，同时简要回顾了现有链路预测方法。我们的分析表明，GNN无法有效学习与两个节点公共邻居数量相关的结构信息，主要due于基于集合的聚合方案中对邻域的聚合方式。此外，我们的大量实验表明，可训练的节点嵌入可以提高GNN基于链路的预测模型的性能。重要的是，我们观察到，图的稠密程度越密集，这种改进效果就越大。我们将其归因于节点嵌入的特性，即每个链路样本的链路状态可以被编码到涉及该链路样本中两个节点的邻域聚合中涉及的节点嵌入中。因此，在更稠密的图中，每个节点都有更多机会参与其他节点的邻域聚合，并编码更多链路样本的状态到其嵌入中，从而学习更适合链路预测的节点嵌入。最后，我们展示了从研究中获得的见解对识别现有链路预测方法的局限性具有重要意义，这可以指导未来开发更稳健算法的方向。
引用
@article{arxiv.2411.14711,
title = {Can GNNs Learn Link Heuristics? A Concise Review and Evaluation of Link Prediction Methods},
author = {Shuming Liang and Yu Ding and Zhidong Li and Bin Liang and Siqi Zhang and Yang Wang and Fang Chen},
journal= {arXiv preprint arXiv:2411.14711},
year = {2025}
}