简化子图表示学习以实现可扩展链接预测
机器学习
2024-10-21 v4 社会与信息网络
摘要
图上的链接预测是一个基本问题。子图表示学习方法（SGRLs）通过将链接预测转化为链接周围子图上的图分类，已在链接预测中取得最先进性能。然而，SGRLs 计算代价高，且由于昂贵的子图级操作而无法扩展到大规模图。为释放 SGRLs 的可扩展性，我们提出一类称为可扩展简化 SGRL（S3GRL）的新 SGRLs。为加速训练与推理，S3GRL 简化了每个链接子图中的消息传递与聚合操作。S3GRL 作为一种可扩展性框架，兼容多种子图采样策略与扩散算子以模拟计算昂贵的 SGRLs。我们提出 S3GRL 的多个实例，并在小到大规模图上进行实证研究。大量实验表明，所提 S3GRL 模型在不显著牺牲性能（某些情况下甚至有可观提升）的前提下扩展了 SGRLs，同时大幅降低计算开销（例如推理与训练提速数倍）。
引用
@article{arxiv.2301.12562,
title = {Simplifying Subgraph Representation Learning for Scalable Link Prediction},
author = {Paul Louis and Shweta Ann Jacob and Amirali Salehi-Abari},
journal= {arXiv preprint arXiv:2301.12562},
year = {2024}
}