图神经网络用于边预测的精细化边利用

图神经网络（GNNs）最初针对节点分类提出，也激发了近期许多关于边预测（又称链接预测）的工作。然而，现有方法缺乏针对两项任务差异的精细设计，而这些差异常被忽视：(i) 在节点分类任务中边仅构成拓扑，而在边预测任务中边既可作为拓扑也可作为监督（即标签）；(ii) 节点分类对每个独立节点进行预测，而边预测由每对节点决定。为此，我们提出一种名为边感知消息传递神经网络（EMPIRE）的新型边预测范式。具体而言，我们首先引入一种边分割技术来指定每条边的用途，其中每条边仅用作拓扑或监督之一（分别称为拓扑边或监督边）。我们随后开发了一种新的消息传递机制，该机制生成到源节点的消息（通过拓扑边）时能够感知目标节点（通过监督边）。为强调由监督边连接的节点对与未连接节点对之间的差异，我们进一步对消息进行加权以突出能够反映差异的相对消息。此外，我们设计了一种新颖的负节点对采样技巧，可在监督实例中高效采样“困难”负例，并能显著提升性能。实验结果验证，所提方法在多个同构与异构图数据集的边预测任务上显著优于现有最先进模型。