通过结构表示增强优化图神经网络中的长尾链接预测
机器学习
2024-07-31 v1
摘要
链接预测作为图神经网络(GNNs)的基础任务，在多个领域取得了显著进展。其成功通常受节点表示表达力的影响，但近期研究揭示低度节点由于稀疏的邻居连接而表现不佳，这被称为基于度的长尾问题。基于度的长尾分布是否会同样限制GNN在链接预测上的效果？出乎意料的是，我们的研究发现节点度与预测准确率之间仅存在弱相关性，更重要的是，节点对之间的共同邻居数量与准确率表现出强相关性。考虑到共同邻居较少的节点对，即尾部节点对，占据数据集的相当大比例但性能较差，我们提出链接预测同样面临长尾问题。因此，GNN的链接预测受到尾部节点对的严重阻碍。在了解链接预测的弱点后，一个自然的问题是如何消除偏斜的长尾分布对共同邻居的负面影响，从而提升链接预测的性能。为此，我们提出了我们的长尾框架(LTLP)，该框架旨在通过增加共同邻居来增强尾部节点对在链接预测上的性能。LTLP中的两个关键模块分别向尾部节点对补充高质量边，并在同一类别内的头部和尾部节点对之间强制表示对齐，从而提升尾部节点对的性能。
引用
@article{arxiv.2407.20499,
title = {Optimizing Long-tailed Link Prediction in Graph Neural Networks through Structure Representation Enhancement},
author = {Yakun Wang and Daixin Wang and Hongrui Liu and Binbin Hu and Yingcui Yan and Qiyang Zhang and Zhiqiang Zhang},
journal= {arXiv preprint arXiv:2407.20499},
year = {2024}
}