Neo-GNNs：用于链路预测的领域重叠感知图神经网络
机器学习
2022-06-10 v1 人工智能
摘要
图神经网络 (GNNs) 已被广泛应用于各领域以在图结构数据上学习。它们在节点分类和图分类等多种任务中相比传统启发式方法显示出显著改进。然而，由于 GNNs 严重依赖平滑的节点特征而非图结构，在结构信息（如重叠邻域、度和最短路径）至关重要的链路预测中，它们常表现出比简单启发式方法更差的性能。为解决此局限，我们提出领域重叠感知图神经网络 (Neo-GNNs)，其从邻接矩阵中学习有用的结构特征并估计用于链路预测的重叠邻域。我们的 Neo-GNNs 推广了基于邻域重叠的启发式方法并处理重叠的多跳邻域。我们在 Open Graph Benchmark 数据集 (OGB) 上的大量实验表明，Neo-GNNs 在链路预测中持续达到最先进 (state-of-the-art) 性能。我们的代码公开于 https://github.com/seongjunyun/Neo_GNNs。
引用
@article{arxiv.2206.04216,
title = {Neo-GNNs: Neighborhood Overlap-aware Graph Neural Networks for Link Prediction},
author = {Seongjun Yun and Seoyoon Kim and Junhyun Lee and Jaewoo Kang and Hyunwoo J. Kim},
journal= {arXiv preprint arXiv:2206.04216},
year = {2022}
}