面向神经网络有向链路预测的多分类与多任务策略
机器学习
2026-02-26 v1 机器学习
摘要
链路预测是图表示学习中的基础任务，支持链路推荐、知识图谱完成和图生成等应用。图神经网络在该领域显示出最具前景的成果，目前是从图数据中学习的事实标准方法。然而，在无向链路预测与有向链路预测之间存在关键区别：前者仅预测边的存在，而后者还必须考虑边的方向性和双向性。这导致有向链路预测(DLP)具有三个子任务，每个子任务都由训练、验证和测试集的结构方式定义。大多数关于 DLP 的研究忽略了这一三分法，仅关注“存在”子任务，即训练集和测试集是正向和负向有向边的随机、不相关样本。即便是认识到上述三分法的作品，模型也未能在所有三个子任务中取得好性能。在本研究中，我们通过实验表明，仅在“存在”子任务上训练神经有向链路预测(NDLP)模型，使用方法适用于神经无向链路预测，导致参数配置无法捕获方向性和双向性，即使在重新平衡边类别后也是如此。为此，我们提出了三种策略，同时处理这三个任务。我们的第一策略是神经有向链路预测的多分类框架(MC-NDLP)，将 NDLP 映射到多分类训练目标。第二和第三方法采用多任务视角，分别采用多目标(MO-DLP)或标量化(S-DLP)策略。我们的结果表明，这些方法在多个数据集和模型上均优于传统方法，在解决三个 DLP 子任务方面实现等效或更好的性能。
引用
@article{arxiv.2412.10895,
title = {Multi-Class and Multi-Task Strategies for Neural Directed Link Prediction},
author = {Claudio Moroni and Claudio Borile and Carolina Mattsson and Michele Starnini and André Panisson},
journal= {arXiv preprint arXiv:2412.10895},
year = {2026}
}
备注
15 pages, 2 figures