CHAT：超越对比图Transformer的异质网络链接预测
计算工程、金融与科学
2025-01-07 v1 机器学习
摘要
异质网络中的链接预测对于理解网络结构的复杂性及预测其未来发展至关重要。传统方法常面临显著障碍，包括过度平滑（即节点特征的过度聚合导致关键结构细节丢失）以及对人工定义元路径的依赖（这需要大量领域知识且具有内在局限性）。这些限制阻碍了对复杂异质网络的有效预测与分析。针对这些挑战，我们提出了对比异构图Transformer（CHAT）。CHAT引入了一种新颖的基于采样的图Transformer技术，可选择性地保留感兴趣节点，从而无需预定义元路径。该方法采用创新的连接感知Transformer，以高保真度编码节点序列及其互连，并由专门为异质网络链接预测设计的双面损失函数引导。此外，CHAT还包含一个集成链接预测器，通过综合多次采样来提高预测精度。我们使用三个不同的药物-靶标相互作用（DTI）数据集对CHAT进行了全面评估。实验结果突显了CHAT的优越性能，优于通用任务方法和DTI预测专用模型。这些发现证实了CHAT在处理异质网络链接预测这一复杂问题上的有效性。
引用
@article{arxiv.2501.02760,
title = {CHAT: Beyond Contrastive Graph Transformer for Link Prediction in Heterogeneous Networks},
author = {Shengming Zhang and Le Zhang and Jingbo Zhou and Hui Xiong},
journal= {arXiv preprint arXiv:2501.02760},
year = {2025}
}