用于链路预测的范数增强图自编码器

链路预测（LP）是图结构数据中的一个关键问题。图神经网络（GNNs）在LP中获得了突出的地位，图自编码器（GAEs）是其中的一个值得注意的代表。然而，我们的经验发现，GAEs的LP性能严重受到长尾节点度分布的影响，即低度节点相对于高度节点表现较差。\emph{这导致什么样的度相关偏差，如何缓解它？}在本研究中，我们证明了GAEs所学习的节点嵌入范数随节点度数而变化，强调其在影响LP最终性能中的中心作用。具体而言，范数较大的嵌入倾向于引导解码器为正链路预测更高分数，为负链路预测更低分数，从而贡献于更好的性能。这一观察激励我们通过增加低度节点的嵌入范数来提高GAEs在低度节点上的LP性能，这可以通过在低度节点的训练目标中引入额外的自环来实现，方法简单且有效。该范数增强策略可以无缝集成到现有的GAE方法中，计算开销轻微。广泛的实验在各种数据集和GAE方法上都显示范数增强GAEs的优越性能。