利用 Bloom 签名学习用于链接预测的可扩展结构表示
机器学习
2025-06-17 v1 社会与信息网络
摘要
图神经网络（GNN）在图学习方面展现出了巨大潜力，但已知其在链接预测任务上的表现欠佳。现有的 GNN 主要设计用于学习节点级表示，通常无法捕获目标节点之间的成对关系，而这对于链接预测至关重要。近期的工作通过使用标记技巧和链接预测启发式算法等结构特征来增强原始 GNN，以学习更具表达能力的边级表示，但它们存在计算开销高和可扩展性有限的问题。为了解决这一问题，我们提出通过用 Bloom 签名增强 GNN 的消息传递框架来学习结构链接表示。Bloom 签名是节点邻域的基于哈希的紧凑编码，可以高效合并以恢复各种类型的边级结构特征。我们进一步表明，任何基于邻域重叠的启发式算法都可以通过以 Bloom 签名为输入的神经网络来估计。带有 Bloom 签名的 GNN 在可证明的表达能力上优于原始 GNN，并且比现有的边级模型更具可扩展性。在五个标准链接预测基准上的实验结果表明，我们提出的模型实现了与现有边级 GNN 模型相当或更好的性能，同时在线推理速度上快 3-200 且更具内存效率。
引用
@article{arxiv.2312.16784,
title = {Learning Scalable Structural Representations for Link Prediction with Bloom Signatures},
author = {Tianyi Zhang and Haoteng Yin and Rongzhe Wei and Pan Li and Anshumali Shrivastava},
journal= {arXiv preprint arXiv:2312.16784},
year = {2025}
}