GNNs 融合最短路径序列模型：面向链接预测的高表达性方法
机器学习
2025-07-11 v1
摘要
图神经网络(GNNs)往往难以捕获链接预测精准所必需的链接特定结构模式，因为其以节点为中心的消息传递方案忽略了连接节点对之间的子图结构。现有方法注入此类结构背景要么计算成本高，要么依赖简单启发式(如共同邻居计数)，无法建模多跳依赖。我们提出 SP4LP(Shortest Path for Link Prediction)，一种新型框架，将 GNN 节点编码与最短路径上的序列建模相结合。具体而言，SP4LP 首先应用 GNN 计算所有节点的表示，然后提取每个候选节点对之间的最短路径，并使用序列模型处理 resulting node embedding 序列。该设计使 SP4LP 能够以计算效率高的方式捕获表达性的多跳关系模式。经验上，SP4LP 在链接预测基准测试中实现最先进性能。理论上，我们证明 SP4LP 在表达性上严格优于标准消息传递 GNN 和多种最先进结构特征方法，确立其作为图中链接预测的通用原则方法。
引用
@article{arxiv.2507.07138,
title = {GNNs Meet Sequence Models Along the Shortest-Path: an Expressive Method for Link Prediction},
author = {Francesco Ferrini and Veronica Lachi and Antonio Longa and Bruno Lepri and Andrea Passerini},
journal= {arXiv preprint arXiv:2507.07138},
year = {2025}
}