用于链接预测的结构增强图神经网络
机器学习
2022-01-17 v1
摘要
图神经网络（GNNs）在各种任务中展现出有前景的结果，其中链接预测是一项重要任务。GNN 模型通常遵循以节点为中心的消息传递过程，递归地将邻域信息聚合到中心节点。遵循这一范式，节点特征通过边传递，而不关心节点位于何处以及扮演何种角色。然而，被忽视的拓扑信息被证明对链接预测任务很有价值。在本文中，我们提出用于链接预测的结构增强图神经网络（SEG）。SEG 引入路径标记方法以捕获目标节点的周围拓扑信息，然后将该结构整合到普通 GNN 模型中。通过联合训练结构编码器和深度 GNN 模型，SEG 融合拓扑结构与节点特征以充分利用图信息。在 OGB 链接预测数据集上的实验表明，SEG 在所有三个公开数据集中均取得了最先进的（state-of-the-art）结果。
引用
@article{arxiv.2201.05293,
title = {Structure Enhanced Graph Neural Networks for Link Prediction},
author = {Baole Ai and Zhou Qin and Wenting Shen and Yong Li},
journal= {arXiv preprint arXiv:2201.05293},
year = {2022}
}