基于解耦表示学习的异配图链接预测
机器学习
2022-08-04 v1 社会与信息网络
摘要
链接预测是一项具有重要应用价值且应用广泛的任务。然而,现有大多数链接预测方法假设给定图遵循同配假设,并设计基于相似度的启发式方法或表示学习方法来预测链接。但许多真实世界图是异配图,同配假设不成立,这对现有链接预测方法提出了挑战。通常,在异配图中,存在许多导致链接形成的潜在因素,两个相连节点倾向于在一个或两个因素上相似,但在其他因素上可能不相似,导致整体相似度较低。因此,一种方法是为每个节点学习解耦表示,其中每个向量捕捉节点在某一因素上的潜在表示,这为建模异配图中的链接形成提供了途径,从而获得更好的节点表示学习与链接预测性能。然而,相关研究工作相当有限。因此,本文研究一种新问题:探索面向异配图链接预测的解耦表示学习。我们提出一种新框架 DisenLink,可通过建模链接形成来学习解耦表示,并执行因子感知的消息传递以促进链接预测。在 13 个真实世界数据集上的大量实验证明了 DisenLink 在异配图和同配图链接预测上的有效性。我们的代码可在 https://github.com/sjz5202/DisenLink 获取。
引用
@article{arxiv.2208.01820,
title = {Link Prediction on Heterophilic Graphs via Disentangled Representation Learning},
author = {Shijie Zhou and Zhimeng Guo and Charu Aggarwal and Xiang Zhang and Suhang Wang},
journal= {arXiv preprint arXiv:2208.01820},
year = {2022}
}