面向链路预测的高阶带共同邻居感知图神经网络

链路预测是动态图学习（DGL）中的基础任务，本质上受图拓扑结构的影响。最近在动态图神经网络（DGNN）方面的进展主要通过建模节点之间的关系（如消息传递方案）显著提高了链路预测性能。然而，DGNN 依赖节点之间的二元相互作用，忽略了 DGL 中的共同邻居相互作用。为解决这一局限性，我们提出了一种面向链路预测的高阶图神经网络，具备共同邻居感知能力（HGNN-CNA），其核心思想有两个方面：a) 通过考虑多跳共同邻居来估计相关评分，以捕捉节点之间的复杂相互作用；b) 将相关性融入消息传递过程，直接在 DGL 中考虑共同邻居相互作用。在三个真实 DGs 上的实验结果表明，所提出的 HGNN-CNA 在链路预测任务上相较于多个最先进模型获得了显著的精度提升。