基于子图草图的图神经网络链接预测

许多图神经网络（GNNs）在链接预测（LP）任务上相比简单启发式方法表现不佳。这是由于表达能力的局限，例如无法计数三角形（大多数 LP 启发式的支柱）以及无法区分自同构节点（具有完全相同结构角色的节点）。这两种表达能力问题都可以通过学习链接（而非节点）表示并融入三角形计数等结构特征来缓解。由于显式链接表示通常成本高昂得令人望而却步，近期工作诉诸基于子图的方法，其在 LP 上取得了最先进的性能，但由于子图间高度冗余而导致效率低下。我们分析了用于链接预测的子图 GNN（SGNN）方法的组成部分。基于我们的分析，我们提出了一种称为 ELPH（Efficient Link Prediction with Hashing，基于哈希的高效链接预测）的新型全图 GNN，它将子图草图作为消息传递，以近似 SGNN 的关键组成部分而无需显式构建子图。ELPH 被证明比消息传递 GNN（MPNNs）更具表达能力。它在许多标准 LP 基准上优于现有 SGNN 模型，同时速度快几个数量级。然而，它有着常见 GNN 的局限，即仅当数据集能放入 GPU 内存时才高效。相应地，我们开发了一个高度可扩展的模型，称为 BUDDY，它使用特征预计算来规避该局限而不牺牲预测性能。我们的实验表明，BUDDY 在标准 LP 基准上也优于 SGNN，同时高度可扩展且比 ELPH 更快。