基于补全的神经公共邻居链接预测方法

在本工作中，我们提出了一种新颖的链接预测模型，并通过研究图的不完整性进一步提升了其性能。首先，我们引入 MPNN-then-SF，一种利用结构特征（SF）引导 MPNN 表示池化的创新架构，其实现称为神经公共邻居（NCN）。与现有模型相比，NCN 展现出更优的表达能力与可扩展性，现有模型可分为两类：SF-then-MPNN，即用 SF 增强 MPNN 的输入；以及 SF-and-MPNN，即将 SF 与 MPNN 解耦。其次，我们研究了图不完整性——即输入图中某些链接未被观测到的现象——对 SF（如公共邻居）的影响。通过数据集可视化，我们观察到不完整性减少了公共邻居并诱发分布偏移，显著影响模型性能。为解决此问题，我们提出使用链接预测模型来补全公共邻居结构。将该方法与 NCN 结合，我们提出了带补全的神经公共邻居（NCNC）。NCN 和 NCNC 大幅优于近期强基线，且 NCNC 在标准链接预测基准上进一步超越了最先进的模型。我们的代码见 https://github.com/GraphPKU/NeuralCommonNeighbor。