用于链路预测的二维Weisfeiler-Lehman图神经网络
机器学习
2022-06-22 v1
摘要
链路预测是图神经网络（GNN）的重要应用之一。现有的大多数用于链路预测的GNN基于一维Weisfeiler-Lehman（1-WL）测试。1-WL-GNN首先通过迭代地将邻居节点特征传递到中心节点来计算节点表示，然后通过聚合成对的节点表示来获得链路表示。正如先前工作所指出的，这种两步过程导致判别能力较低，因为1-WL-GNN本质上学习的是节点级表示而非链路级表示。本文研究了一种完全不同的方法，该方法基于二维Weisfeiler-Lehman（2-WL）测试直接获得节点对（链路）表示。2-WL测试直接使用链路（二元组）作为消息传递单元而非节点，因此可以直接获得链路表示。我们从理论上分析了2-WL测试判别非同构链路的表达能力，并证明了其优于1-WL的链路判别能力。基于不同的2-WL变体，我们提出了一系列新颖的2-WL-GNN模型用于链路预测。在广泛真实世界数据集上的实验表明，它们具有与最先进基线相竞争的性能，并且优于普通的1-WL-GNN。
引用
@article{arxiv.2206.09567,
title = {Two-Dimensional Weisfeiler-Lehman Graph Neural Networks for Link Prediction},
author = {Yang Hu and Xiyuan Wang and Zhouchen Lin and Pan Li and Muhan Zhang},
journal= {arXiv preprint arXiv:2206.09567},
year = {2022}
}