利用边平衡增强增强对比式链接预测
机器学习
2025-08-21 v1
摘要
链接预测是图挖掘中最基础的任务之一，这促使了最近利用对比学习来增强性能的研究。然而，我们观察到这些研究存在两个主要弱点：i) 缺乏对链接预测对比学习的理论分析，以及 ii) 在对比学习中对节点度数的考虑不足。为了解决上述弱点，我们首次对链接预测的对比学习提供了形式化的理论分析，我们的分析结果可以推广到基于自编码器的对比学习链接预测模型。受我们分析结果的启发，我们提出了一种新的图增强方法，即边平衡增强（EBA），它将调整图中的节点度数作为增强。然后，我们提出了一种名为带有边平衡增强的对比式链接预测（CoEBA）的新方法，该方法集成了所提出的 EBA 和新提出的对比损失以提高模型性能。我们在 8 个基准数据集上进行了实验。结果表明，我们提出的 CoEBA 显著优于其他最先进的链接预测模型。
引用
@article{arxiv.2508.14808,
title = {Enhancing Contrastive Link Prediction With Edge Balancing Augmentation},
author = {Chen-Hao Chang and Hui-Ju Hung and Chia-Hsun Lu and Chih-Ya Shen},
journal= {arXiv preprint arXiv:2508.14808},
year = {2025}
}
备注
Accepted by CIKM 2025