神经贝尔曼-福特网络：用于链接预测的通用图神经网络框架
机器学习
2022-01-25 v4
摘要
链接预测是图上一项非常基础的任务。受传统基于路径的方法启发，本文提出一个通用且灵活的基于路径的链接预测表示学习框架。具体而言，我们将节点对的表示定义为所有路径表示的广义和，其中每条路径的表示是路径中边表示的广义积。受用于求解最短路径问题的贝尔曼-福特算法启发，我们表明所提路径公式可由广义贝尔曼-福特算法高效求解。为进一步提升路径公式的表达能力，我们提出神经贝尔曼-福特网络（NBFNet），一种通用图神经网络框架，其在广义贝尔曼-福特算法中用学习到的算子求解路径公式。NBFNet 以 3 个神经组件参数化广义贝尔曼-福特算法，即 INDICATOR、MESSAGE 与 AGGREGATE 函数，分别对应边界条件、乘法算子与求和算子。NBFNet 非常通用，涵盖许多传统基于路径的方法，并可应用于同构图与多关系图（如知识图谱），且支持转导与归纳设定。在同构图与知识图谱上的实验表明，所提 NBFNet 在转导与归纳设定下均以大幅优势超越现有方法，取得新的 SOTA 结果。
引用
@article{arxiv.2106.06935,
title = {Neural Bellman-Ford Networks: A General Graph Neural Network Framework for Link Prediction},
author = {Zhaocheng Zhu and Zuobai Zhang and Louis-Pascal Xhonneux and Jian Tang},
journal= {arXiv preprint arXiv:2106.06935},
year = {2022}
}
备注
NeurIPS 2021