用于有向二分图链接符号预测的有效轻量表示学习
机器学习
2024-12-30 v1
摘要
我们如何在有向二分图中高效且经济地学习节点表示？有向二分图是由两个节点集合组成的图，其中不同类型的节点可以是正向或负向相连，广泛用于建模各种现实关系，如电子商务等。在分析此类图时，先前研究聚焦于使用图神经网络学习节点表示的方法。具体而言，这些方法基于平衡理论，在相同类型的节点之间插入边，以便在学习过程中利用增强的结构。然而，现有方法依赖于粗糙的消息传递设计，容易出现过平滑问题，并易受现实图中噪声交互的影响。此外，它们因复杂设计以及添加边数显著增加而存在计算效率低下的问题。本文提出了ELISE，一种用于学习有向二分图的有效轻量基于图神经网络的方法。我们首先将个性化传播扩展到有向二分图中，在消息传递过程中融合带符号的边。该扩展遵循平衡理论，无需引入额外边，缓解了过平滑问题并增强了表示能力。随后，我们在有向二分图的低秩近似上联合学习节点嵌入，这减少了潜在噪声，强调了其全局结构，进一步在不显著牺牲效率的前提下提高了表达力。我们将这些思想封装为ELISE，设计其轻量级，与添加大量边导致效率低下的先前方法不同。通过在真实有向二分图上的广泛实验，我们展示了ELISE在预测链接符号方面优于其竞争方法，同时提供更快的训练和推理时间。
引用
@article{arxiv.2412.18720,
title = {Effective and Lightweight Representation Learning for Link Sign Prediction in Signed Bipartite Graphs},
author = {Gyeongmin Gu and Minseo Jeon and Hyun-Je Song and Jinhong Jung},
journal= {arXiv preprint arXiv:2412.18720},
year = {2024}
}