子图生成论文思路对比

论文1：Knowledge-Enhanced Recommendation with User-Centric Subgraph Network
论文1博客：https://blog.csdn.net/Zjkorigin/article/details/137119122?spm=1001.2014.3001.5501

论文2：LESS IS MORE: ONE-SHOT-SUBGRAPH LINK PREDICTION ON LARGE-SCALE KNOWLEDGE GRAPHS
论文2博客：https://blog.csdn.net/Zjkorigin/article/details/139014544?spm=1001.2014.3001.5501

LESS IS MORE: ONE-SHOT-SUBGRAPH LINK PREDICTION ON LARGE-SCALE KNOWLEDGE GRAPHS（一次性子图链路预测方法）

核心方法

Knowledge-Enhanced Recommendation with User-Centric Subgraph Network

KUCNet 核心方法

对比分析

相似点

不同点

1. 问题领域：
   一次性子图链路预测：专注于大规模知识图谱上的链路预测。
   KUCNet：关注推荐系统，结合用户行为和知识图谱信息进行推荐。
2. 子图生成方法：
   一次性子图链路预测：使用个性化PageRank方法生成子图。
   KUCNet：基于用户-项目交互和知识图谱信息生成子图，考虑了用户和项目的匹配关系。
3. 模型目标：
   一次性子图链路预测：旨在提高链路预测的可扩展性和效率。
   KUCNet：旨在提高推荐系统的准确性和解释性，并处理新用户和新项目的问题。
4. 消息传播过程
   一次性子图链路预测中消息传播L步过程中子图已经固定，已经采样器根据ppr采样了固定数量的节点，及对应的边。
   KUCNet在消息传播L步中，每层会根据上层的关系进行采样该层的节点，不断加入新的节点和边到子图表示中。

KUCNet 子图采样的具体过程