结合上下文自监督的链接预测

链接预测旨在推断网络/图中节点对之间链接的存在性。尽管传统链接预测算法应用广泛，但其成功受到许多现实世界网络面临的三大主要挑战的阻碍——链接稀疏性、节点属性噪声和动态变化。为了应对这些挑战，我们提出了一种上下文自监督学习框架，该框架充分利用结构上下文预测来进行链接预测。所提出的 CSSL 框架学习一个链接编码器，以从通过对节点属性进行变换构建的成对节点嵌入中推断链接存在的概率。为了生成用于链接预测的富含信息的节点嵌入，结构上下文预测被用作自监督学习任务以提升链接预测性能。我们研究了两种类型的结构上下文，即从随机游走中收集的上下文节点与上下文子图。CSSL 框架可以以端到端的方式进行训练，模型参数的学习同时受链接预测和自监督学习任务的监督。所提出的 CSSL 是一个通用且灵活的框架，它可以处理有属性和无属性网络，并在直推式和归纳式链接预测设置下运行。在七个现实世界基准网络上的大量实验和消融研究表明，在直推式和归纳式设置下的不同类型网络上，所提出的基于自监督的链接预测算法优于 SOTA 基线。所提出的 CSSL 在对节点属性噪声的鲁棒性和大规模网络上的可扩展性方面也表现出极具竞争力的性能。