用于链接预测的变分解耦图自编码器

随着图结构数据的爆发式增长，链接预测已成为一项日益重要的任务。用于链接预测的嵌入方法利用神经网络生成节点嵌入，随后用于预测节点间的链接。然而，现有嵌入方法通常采取整体策略学习节点嵌入，忽视了潜在因素的纠缠。结果，纠缠的嵌入无法有效捕捉底层信息，且易受无关信息影响，导致链接预测结果缺乏说服力与可解释性。为应对这些挑战，本文提出了一个包含两种变体的新框架：解耦图自编码器（DGAE）与变分解耦图自编码器（VDGAE）。我们的工作是将解耦策略应用于链接预测的开创性尝试。所提框架推断导致图中边的潜在因素，并将表示解耦为对应于独特潜在因素的多个通道，有助于提升链接预测性能。为进一步促使嵌入捕捉互斥的潜在因素，我们引入互信息正则化以增强不同通道间的独立性。在多个真实世界基准上的大量实验表明，与多种强基线相比，我们所提方法在链接预测任务上取得了最先进的结果。在合成数据集上的定性分析也说明，所提方法能捕捉导致链接的不同潜在因素，提供了我们的模型能在一定程度上解释链接预测结果的经验证据。所有代码将在论文发表后公开。