用于链接预测的包围子图采样
机器学习
2022-06-27 v1 社会与信息网络
摘要
链接预测是图结构数据（如社交网络、药物副作用网络等）的一个基本问题。图神经网络为此问题提供了鲁棒的解决方案，具体通过学习包围目标链接（即节点对）的子图的表示来实现。然而，这些解决方案难以良好扩展到大型图，因为包围子图的提取与操作计算代价高昂，尤其对大图而言。本文提出一种可扩展的链接预测方案，称为 ScaLed，其利用稀疏包围子图进行预测。为提取稀疏包围子图，ScaLed 从目标节点对出发进行多次随机游走，然后对所有访问节点所诱导出的采样包围子图进行操作。通过利用更小的采样包围子图，ScaLed 能以低得多的开销扩展到更大的图，同时保持高准确率。ScaLed 进一步提供了控制计算开销与准确率之间权衡的灵活性。通过综合实验，我们表明 ScaLed 能产生与现有子图表示学习框架所报告的准确率相当的结果，同时计算需求更低。
引用
@article{arxiv.2206.12004,
title = {Sampling Enclosing Subgraphs for Link Prediction},
author = {Paul Louis and Shweta Ann Jacob and Amirali Salehi-Abari},
journal= {arXiv preprint arXiv:2206.12004},
year = {2022}
}