自监督学习能否重新唤醒基于相似性的链接预测？
人工智能
2024-10-28 v1
摘要
尽管近期基于端到端学习的链接预测（LP）方法取得了显著进展，但在无需已知链接标签的无监督场景中，传统基于相似性的LP方法的重要性仍然存在。然而，链接预测中用于相似性计算的节点特征选择可能具有挑战性。缺乏信息的节点特征会导致次优的LP性能。为解决这些挑战，我们将自监督图学习技术集成到基于相似性的LP中，提出一种新方法：自监督相似性链接预测（3SLP）。3SLP适用于基于相似性的LP无监督条件，无需已知链接标签的帮助。具体而言，3SLP引入了一种双视图对比节点表示学习（DCNRL），并配以精心设计的数据增强和节点表示学习。DCNRL致力于开发更具信息性的节点表示，取代基于相似性的LP主干方法中的节点属性作为输入。广泛的基准数据集上的实验表明，3SLP显著优于传统基于相似性的LP基线，提升幅度可达21.2%（AUC）。
引用
@article{arxiv.2410.19183,
title = {Can Self Supervision Rejuvenate Similarity-Based Link Prediction?},
author = {Chenhan Zhang and Weiqi Wang and Zhiyi Tian and James Jianqiao Yu and Mohamed Ali Kaafar and An Liu and Shui Yu},
journal= {arXiv preprint arXiv:2410.19183},
year = {2024}
}