成对视图无监督图表示学习

低维图嵌入在大型图中的各种下游任务中已被证明极为有用，例如链接相关内容推荐和节点分类任务等。大多数现有嵌入方法将节点作为信息聚合的基本单元，例如 GNN 中的节点感知域或随机游走中的上下文节点。这种节点视图的主要缺陷是缺乏对节点间复合关系的表达支持，导致嵌入过程中丢失一定程度的图信息。为此，本文提出 PairE（Pair Embedding），一种以“对”这一比“节点”更高层次的单元作为图嵌入核心的解决方案。相应地，设计了一个多自监督自编码器来完成两个 pretext 任务，分别重构各对及其周围上下文的特征分布。PairE 具有三大优势：1）信息丰富，超越节点视图的嵌入能够保留更丰富的图信息；2）简单，PairE 提供的解决方案省时、存储高效且需要更少的超参数；3）高适应性，通过引入的 translator 算子将成对嵌入映射到节点嵌入，PairE 可有效用于基于链接和基于节点的图分析。实验结果表明，PairE 在全部四个下游任务中一致优于基线 SOTA，尤其在链接预测和多标签节点分类任务中具有显著优势。