用于节点分类和链接预测的超维表示学习

我们引入了超维图学习器（HDGL），一种用于图中节点分类和链接预测的新方法。HDGL利用图神经网络（GNN）家族中节点表示的注入性，将节点特征映射到非常高维的空间（简称超维空间或HD空间），然后使用诸如捆绑和绑定之类的HD算子从每个节点的局部邻域聚合信息，产生支持节点分类和链接预测任务的潜在节点表示。与依赖计算昂贵的迭代优化和超参数调优的GNN不同，HDGL只需要对数据集进行一次遍历。我们报告了使用广泛使用的基准数据集进行的实验结果，这些结果表明，在节点分类任务上，HDGL以显著降低的计算成本达到了与最先进GNN方法相当的准确率；在链接预测任务上，HDGL与DeepWalk及相关方法的性能相当，尽管它落后于计算要求高的最先进GNN。