GegenNet：用于有符号二分图链路符号预测的谱卷积神经网络
机器学习
2025-08-28 v1 社会与信息网络
摘要
给定带符号二分图 (SBG) G，其中包含两个互不相交的节点集合 U 和 V，链路符号预测的目标是根据 G 中已知的正边和负边，预测连接 U 和 V 的潜在链路的符号。目前大多数针对链路符号预测的解决方案主要关注单节点类型符号图，而这种方法由于忽略了节点异质性和 SBG 的独特二分特征而不够理想。为此，最近的研究通过引入消息传递机制，针对节点对（U×V 的跨分区配对以及 U×U 或 V×V 的同分区配对）在 SBG 上应用图神经网络。然而，基本的谱卷积算子最初是为无符号图中正链路设计的，因此对于从已知正链路推断缺失的正链路或负链路在 SBG 上并不够理想。为了解决这一问题，本文提出了 GegenNet，这是一个用于 SBG 链路符号预测的新型且有效的谱卷积神经网络模型。具体而言，GegenNet 通过三项主要技术贡献实现了模型容量的提升和高预测准确率：(i) 针对节点特征初始化的快速且理论依据充分的谱分解技术；(ii) 基于 Gegenbauer 多项式基的新型谱图滤波器；(iii) 交替使用 Gegenbauer 多项式滤波器的多层符号感知谱卷积网络，以正边和负边交替工作。我们的广泛实证研究表明，GegenNet 在 6 个基准 SBG 数据集上相对于 11 个强大竞争者的链路符号预测性能显著优越（AUC 提升最高可达 4.28%，F1 分数提升最高可达 11.69%）。
引用
@article{arxiv.2508.19907,
title = {GegenNet: Spectral Convolutional Neural Networks for Link Sign Prediction in Signed Bipartite Graphs},
author = {Hewen Wang and Renchi Yang and Xiaokui Xiao},
journal= {arXiv preprint arXiv:2508.19907},
year = {2025}
}
备注
11 pages. Paper accepted to CIKM 2025