通过拓扑增强提升现实世界复杂网络的节点表示

图增强方法在提高图神经网络（GNN）的性能和增强其泛化能力方面发挥着至关重要的作用。现有的图增强方法主要扰动图结构，且通常局限于成对的节点关系。这些方法无法完全解决现实世界大规模网络的复杂性，因为这些网络往往涉及超出成对关系的高阶节点关系。同时，由于缺乏可用于形成高阶边的数据，现实世界的图数据集主要被建模为简单图。因此，将重构高阶边作为图增强策略的一部分，为解决上述问题指明了一条充满希望的研究路径。在本文中，我们提出了拓扑增强（TopoAug），这是一种新颖的图增强方法，它通过直接从原始数据构建虚拟超边，从原始图构建组合复形。TopoAug 随后通过从组合复形中提取信息生成辅助节点特征，用于增强 GNN 在下游任务中的性能。我们设计了三种多样的虚拟超边构建策略以配合组合复形的构建：(1) 基于图统计，(2) 来自多数据视角，以及 (3) 利用多模态。此外，为了促进 TopoAug 的评估，我们提供了 23 个涵盖社交媒体、生物学和电子商务等多个领域的全新现实世界图数据集。我们的实证研究表明，在各种应用场景中，TopoAug 始终且显著地优于 GNN 基线和其他图增强方法，这清楚地表明它能有效地将高阶节点关系纳入面向现实世界复杂网络的图增强中。