基于双部图的非对比学习加权双部链接预测模型用于归纳学习
机器学习
2025-10-30 v1
摘要
双部图的链接预测对于推荐系统和故障检测等应用至关重要，但仅次于单部图的研究。对比方法面临效率低下和负采样偏差问题，而非对比方法仅依赖正样本。现有模型在归纳、加权和双部场景中有效性尚未得到充分测试。为此，我们提出Weighted Bipartite Triplet-Bootstrapped Graph Latents（WBT-BGRL），一种非对比学习框架，通过三元组损失中的新颖加权机制增强自助学习。使用双部体系结构和双GCN编码器，WBT-BGRL在真实数据集（行业和电子商务）上评估，对比适应的SOTA模型（T-BGRL、BGRL、GBT、CCA-SSG）。结果显示，在预训练期间应用加权可获得竞争性性能，凸显加权非对比学习在双部图归纳链接预测中的价值。
引用
@article{arxiv.2510.24927,
title = {WBT-BGRL: A Non-Contrastive Weighted Bipartite Link Prediction Model for Inductive Learning},
author = {Joel Frank Huarayo Quispe and Lilian Berton and Didier Vega-Oliveros},
journal= {arXiv preprint arXiv:2510.24927},
year = {2025}
}
备注
5 pages, submitted to the 12th International Conference on Soft Computing and Machine Intelligence (ISCMI 2025)