HPRA：基于资源分配的超边预测

许多现实系统涉及高阶交互，因而需要超图等复杂模型。例如，一篇研究论文可能有多个合作作者，因此合著网络最好表示为超图。本工作中，我们关注超边预测问题。该问题在多个领域有巨大应用，例如预测社交网络中的新合作、发现代谢网络中的新化学反应等。尽管十分重要，超边预测问题因其固有复杂性而未受到充分关注。在具有 $n$ 个节点的图中，潜在边数为 $\mathcal{O}(n^{2})$，而在超图中，潜在超边数为 $\mathcal{O}(2^{n})$。为避免在此巨大空间中搜索，现有方法通过以下两种方式限制原问题：一类算法假设超图为 $k$-均匀超图，但许多现实系统并不限于涉及 $k$ 个组分的交互，因此这些算法不适用于许多现实应用；第二类算法需要一个候选超边集合从中选取潜在超边，在缺乏领域知识时，候选集可有 $\mathcal{O}(2^{n})$ 个可能超边，使问题难以处理。我们提出 HPRA——基于资源分配的超边预测，这是一种首创的算法，克服了上述问题，可在不使用任何候选超边集的情况下预测任意基数的超边。HPRA 是一种基于相似度的方法，依据资源分配过程原理工作。除恢复缺失超边外，我们展示了 HPRA 能预测广泛超图中的未来超边。