面向超边预测的可扩展且高效的负样本生成方法
信息检索
2024-11-20 v1
摘要
超边预测在超图分析中至关重要，有助于理解社交网络和电子商务系统等各类基于网络的应用中复杂的多实体交互。由于正负实例之间的不平衡，传统方法在生成高质量负样本时常常面临困难。为解决这一问题，我们提出了面向超边预测的可扩展且高效的负样本生成框架（SEHP），该框架利用扩散模型来应对这些挑战。SEHP 采用边界感知损失函数，迭代地优化负样本，使其向决策边界靠近以提升分类性能。SEHP 对正实例进行采样以形成子超图，从而实现可扩展的批处理。通过将子超图的结构信息作为扩散过程中的条件，SEHP 能够有效捕捉全局模式。为提升效率，我们的方法直接在潜在空间中运行，避免了离散 ID 生成，在保持准确率的同时实现了显著的加速。大量实验表明，SEHP 在准确率、效率和可扩展性方面均优于现有方法，代表了超边预测技术的重大进展。我们的代码在此处提供。
引用
@article{arxiv.2411.12354,
title = {Scalable and Effective Negative Sample Generation for Hyperedge Prediction},
author = {Shilin Qu and Weiqing Wang and Yuan-Fang Li and Quoc Viet Hung Nguyen and Hongzhi Yin},
journal= {arXiv preprint arXiv:2411.12354},
year = {2024}
}
备注
11