PageRank Bandits用于链路预测
机器学习
2024-11-05 v1 人工智能
社会与信息网络
摘要
链路预测是图学习中的关键问题，广泛应用于推荐系统和知识图谱补全等场景。大量研究致力于解决此问题，包括基于相似性度量和图神经网络（GNN）的方法。然而，大多数现有解决方案仍根植于传统监督学习，使得在应对客户兴趣变化时适应性有限，以及解决链路预测中内在的探索与开发权衡问题方面存在困难。为此，本文将链路预测重新表述为顺序决策过程，即每一次链路预测交互均按序发生。我们提出一种新型融合算法，PRB（PageRank Bandits），首次将情境式bandits与PageRank结合，实现协同开发与探索。我们还引入新的奖励表述，为PRB提供了理论性能保证。最后，我们在线上和离线环境中广泛评估了PRB，与基于bandits和基于图的方法进行比较。PRB的实证成功体现了该融合方法的价值。我们的代码已发布于https://github.com/jiaruzouu/PRB。
引用
@article{arxiv.2411.01410,
title = {PageRank Bandits for Link Prediction},
author = {Yikun Ban and Jiaru Zou and Zihao Li and Yunzhe Qi and Dongqi Fu and Jian Kang and Hanghang Tong and Jingrui He},
journal= {arXiv preprint arXiv:2411.01410},
year = {2024}
}
备注
Accepted to NeurIPS 2024