图上的链接预测器混合
机器学习
2025-01-03 v2
摘要
链接预测旨在预测图中未见的连接，是图机器学习中的一项基础任务。利用诸如共同邻居和最短路径等多种成对度量的启发式方法，其性能往往可与基础的图神经网络（GNN）相媲美。因此，近期用于链接预测的 GNN（GNN4LP）的进展主要集中于整合一种或少数几种类型的成对信息。在本研究中，我们发现同一数据集内不同的节点对需要不同的成对信息才能进行准确预测，而仅统一应用相同成对信息的模型可能只能达到次优性能。因此，我们提出了一种用于链接预测的简单混合专家模型 Link-MoE。Link-MoE 利用各种 GNN 作为专家，并基于多种类型的成对信息为每个节点对策略性地选择合适的专家。在多样化的真实世界数据集上的实验结果表明，Link-MoE 带来了显著的性能提升。值得注意的是，与最佳基线相比，Link-MoE 在 Pubmed 数据集的 MRR 指标上实现了 18.71% 的相对提升，在 ogbl-ppa 数据集的 Hits@100 指标上实现了 9.59% 的相对提升。
引用
@article{arxiv.2402.08583,
title = {Mixture of Link Predictors on Graphs},
author = {Li Ma and Haoyu Han and Juanhui Li and Harry Shomer and Hui Liu and Xiaofeng Gao and Jiliang Tang},
journal= {arXiv preprint arXiv:2402.08583},
year = {2025}
}