元学习优化真实网络中缺失链接的预测

关系数据在现实世界数据应用中无处不在，例如在社交网络分析或生物学建模中，但网络几乎总是不完整观察到的。预测缺失链接的当前最佳方法使用模型堆叠或神经网络技术。仍不知道哪种方法最佳，以及最佳算法选择是否取决于输入网络的特征。我们系统地回答这些问题，使用由 550 个结构上具有多样性的真实世界网络组成的大型基准测试，依据两个标准准确性度量（AUC 和 Top-k）进行比较，将四种堆叠算法与 42 种拓扑链接预测器（其中两种是我们在此引入的）以及两种图神经网络算法进行比较。我们证明没有任何算法在所有输入网络中都最佳，所有算法在大多数社交网络上表现良好，少数在经济和生物学网络上表现良好。总体而言，采用随机森林的模型堆叠既高度可扩展，又在 AUC 或在 Top-k 准确性方面与图神经网络相当或竞争力。但是，算法性能强烈取决于网络特征，如度分布、三角形密度和度关联。我们引入了一个元学习算法，利用这种可变性为单个网络优化链接预测，通过选择要应用的最佳算法，这一算法被证明超过所有当前最先进的算法，并且可扩展到大型网络。