基于游走池化的神经链接预测
机器学习
2022-03-17 v2 社会与信息网络
摘要
图神经网络通过联合利用图拓扑与节点属性在链接预测中取得高准确率。然而，拓扑是间接表示的；基于子图分类的先进方法用距目标链接的距离标记节点，因此尽管拓扑信息存在，却因池化而被削弱。这使得利用与网络形成机制相关的环与模体等特征变得困难。我们提出一种基于称为 WalkPool 的新池化方案的链接预测算法。WalkPool 将拓扑启发式的表达力与神经网络的特征学习能力相结合。它通过相邻路径的随机游走概率来概括一条假定链接。它不从原始图提取转移概率，而是通过对学习到的特征施加注意力来计算“预测性”隐图的转移矩阵；这可解释为对特征敏感的拓扑指纹。WalkPool 可利用无监督节点特征，也可与 GNN 结合并端到端训练。它在所有常见链接预测基准（包括同配与异配、含或不含节点属性）上均优于先进方法。将 WalkPool 应用于一组无监督 GNN 显著提升了预测准确率，表明它可用作通用图池化方案。
引用
@article{arxiv.2110.04375,
title = {Neural Link Prediction with Walk Pooling},
author = {Liming Pan and Cheng Shi and Ivan Dokmanić},
journal= {arXiv preprint arXiv:2110.04375},
year = {2022}
}