论文阅读 Link Prediction Based on Graph Neural Networks

最新推荐文章于 2024-06-26 08:26:28 发布
最新推荐文章于 2024-06-26 08:26:28 发布
阅读量6.5k 收藏 24
点赞数 1
分类专栏： 论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/kindred_joe/article/details/102672384
版权

论文阅读 Link Prediction Based on Graph Neural Networks

摘要

链路预测是图的关键问题。边预测启发式算法使用一些评分函数，如公共邻域和katz指数，来测量边的可能性。由于它们的简单性、可解释性和可伸缩性，它们获得了广泛的实际应用。然而，每种启发式算法都有一个很强的假设，即当两个节点可能有边，这就限制了它们在这些假设失败的图上的有效性。在这方面，一个更合理的方法应该是从一个给定的图中学习一个合适的启发式方法，而不是使用预定义的启发式方法。通过提取每个目标边周围的局部子图，我们的目的是学习一个函数从子图模式映射到边的存在性，从而自动学习适合于当前网络的“启发式”。在本文中，我们研究了这种启发式学习模式的边预测。首先，我们发展了一个新的gamma-衰退的启发式理论。该理论在一个框架内统一了广泛的启发式算法，并证明了所有这些启发式可以很好地近似于局部子图。结果表明，局部子图保留了与链路存在相关的丰富信息。其次，基于衰减理论，提出了一种利用图神经网络（GNN）从局部子图学习启发式的新方法。它的实验结果显示了前所未有的性能，在各种各样的问题上都工作得很好。

介绍

边预测可使用简单的启发式算法：计算节点之间的相似度作为边的似然。启发式算法可根据hop（h-order）的大小来归类。启发式是一种预定义的方法，并且强依赖于假设。

  • Weisfeiler-Lehman Neural Machine (WLNM)：预测节点对（a，b）是否可能有边时，将a、b的h-hop得到的子图（common neighbors、jaccard参数）作为网络的输入，预测是否有边。
  • high-order的图结构信息如PageRank and Katz需要high-hop来获得。作者论文不需要high-hop来获得high-order的图结构信息。大多数high-order启发式可以使用gamma-decaying theory统一，并且small h可获得高阶启发式，并且误差随h指数级降低。
  • 根据上述理论，作者提出SEAL，通过局部封闭子图学习图结构信息。相比WLNM：使用GNN替代全连接、同样学习节点特征。

准备工作

符号表示、节点显示隐式嵌入、GNN、有监督启发式学习

统一边预测启发式算法的理论

WLNM将子图作为网络输入预测边。但是高阶的启发式需要较大的子图，计算复杂。
作者将启发式归纳出一种框架：
在这里插入图片描述
其中，在这里插入图片描述
论证可得：
大部分高阶启发式符合相似的gamma-decaying 启发框架，因此可以在h-hop子图上计算，可有效地以小指数级误差近似。
根据启发式框架定义，较远的部分结构影响权重较小，因此局部封闭子图已经包含足够的图结构信息来进行边预测。
总结：使用封闭局部子图，可以学到一阶二阶启发式信息，并以较小误差学到高阶信息

SEAL

SEAL（learning from Subgraphs, Embeddings and Attributes for
Link prediction）并不限制学习到的图结构特征符合某一种特别的形式（如gamma-decaying heuristics），而是之直接学习一般图结构特征
步骤为：
（1）提取子图
（2）构造点信息矩阵
（3）GNN学习
第二步中点信息矩阵包含三部分：点结构标签、点嵌入、点属性

  • 点结构标签：表示点在子图中的作用。这么做因为要预测的边的两个节点是center，而子图中相对center的位置不同的点的重要性也不同。
    不过不mark出点的结构性标签，GNN就不知道是要预测哪两个点之间的边
    边结构标注的方法符合两个原则：
    （1）center 的label为1
    （2）对于其他点，任意两点i、j如果d(x,i)=d(x,j) d(y,i)=d(y,j) 那么i、j的label相同。d为两点之间的路径长度。
    根据以上两个原则提出Double-Radius Node Labeling (DRNL)方法
    DRNL正好是个hash函数（f为标签值）：
    在这里插入图片描述
    其中
    在这里插入图片描述
    若d为无穷，f=0
  • 加入显示、隐式特征
    将点嵌入、点属性拼接
kindred_joe
关注
专栏目录
A Comprehensive Survey on Graph Neural Networks(图神经网络综合研究)
weixin_41697507的博客
07-06 7489
A Comprehensive Survey on Graph Neural Networks Zonghan Wu, Shirui Pan, Member, IEEE, Fengwen Chen, Guodong Long, Chengqi Zhang, Senior Member, IEEE, Philip S. Yu, Fellow, IEEE Abstract—Deep learning ...
[论文解读]All in one：: Multi-Task Prompting for Graph Neural Networks图神经网络的多任务提示
人工智能曾小健
02-26 1392
这个函数可能是对提示图参数进行操作的某种计算，比如根据这些参数生成新的节点表示，或者更新模型的状态以适应新任务。在不同的上下文中，函数 f(θ) 可以有不同的具体含义，它通常会涉及到如何使用这些参数来影响模型的行为或其对数据的处理方式。不过，由于我无法直接查看PDF文件的内容，所以这里的解释是基于常见的机器学习和深度学习术语的一般性解释。提示图是一种用于调整预训练模型以适应特定任务的结构，这些参数可能包括用于构造提示的节点和边的权重，或者其他用于定义提示图结构的属性。与原始图 G 结合后的新表达式。
论文阅读笔记：Link Prediction Based on Graph Neural Networks
m0_56010727的博客
08-14 4466
说明       本文为作者参加某链路预测比赛时读的文章笔记。水平有限，仅供参考。 Link Prediction Based on Graph Neural Networks Muhan Zhang Department of CSE Washington University in St. Louis muhan@wustl.edu Yixin Chen Department of CSE Washington University i
论文解读：面向时间感知链接预测的知识嵌入表示（Encoding Temporal Information for Time-Aware Link Prediction）
qq_37121580的博客
05-18 1647
论文题目：面向时间感知预测的时间信息编码 摘要： 现有的知识库大多只从不包含时间信息的三元组中学习数值化嵌入方法，而忽略了知识库中的时间信息。在这篇文章中。提出了一种利用三元组发生时间的时间感知知识库嵌入方法。具体地说，本文使用时间约束来模拟时间敏感关系之间的转换，从而使嵌入具有时间一致性和准确性。本文通过链接预测和三元组分类来验证提出方法的有效性。实验结果表明，该方法在两种任务上均优于其他基...
Link Prediction Based on Graph Neural Networks
兀坐晴窗独饮茶
04-30 2185
摘要 链接预测是网络结构化数据的一个关键问题。链路预测启发式方法使用一些得分函数，如共同邻居和Katz指数等来衡量链路的可能性。由于它们的简单性、可解释性，以及对其中一些启发式方法的可扩展性，因此获得了广泛的实际应用。然而，每一种启发式都有一个很强的假设，即两个节点何时有可能链接，这导致了它们在这些假设失效时的网络上链路预测的效果不好。在这方面，更合理的方法应该是从给定网络中学习一个合适的启发式，而不是使用预定义的启发式。通过提取每个目标链路周围的局部子图，我们的目的是学习一个将子图模式映射到链路存在的函数
[图神经网络论文]:Link Prediction Based on Graph Neural Networks
zerokusinage的博客
03-19 1279
论文Link Prediction Based on Graph Neural Networks笔记
Distance-Enhanced Graph Neural Network for Link Prediction阅读笔记
qq_41804155的博客
08-18 748
研究现状 Jaccard Index，shortest path，random walk，Katz Index，sim-Rank，pageRank 基于度量的方法 Weisfeiler-lehman neural machine for link prediction（2017） 基于神经网络的方法 Link prediction based on graph neural n
论文笔记02 Link Prediction by Multiple Motifs in Directed Networks
smile1always2的博客
07-07 558
论文笔记02Link Prediction by Multiple Motifs in Directed Networks1.基于单个子图朴素贝叶斯模型的链路预测2.基于两个子图朴素贝叶斯模型的链路预测3. 使用机器学习框架的多个主题的链接预测4总结 Link Prediction by Multiple Motifs in Directed Networks 有向网络中的多子图连接预测 1.基于单个子图朴素贝叶斯模型的链路预测 思想：考虑单个子图的数量和不同节点的不同贡献 计算节点x,y之间有边，无边的先
课程设计：Link prediction on PPI with Graph convolutional neural network
好河流
10-02 2060
Question 1 一.实验内容 首先阅读给定的代码，学习代码组织结构。然后设计一个衡量节点相似度的指标，对节点和节点之间边的存在性及其存在与否的可能性进行预测。在代码中自行补充node_distance和其他相关函数。将预测结果绘制成ROC曲线并计算曲线下的面积。之后对算法进行改进，观察不同启发式函数对预测结果的影响 二．算法原理 第一问我最终尝试了两种方法，第一种是以两节点相同邻居为指标进行...
Paper Notes: A Comprehensive Survey on Graph Neural Networks
HotChoc的博客
03-05 1163
A Comprehensive Survey on Graph Neural Networks LINK: https://arxiv.org/abs/1901.00596 CLASSIFICATION: GNN, SURVEY YEAR: 2019 FROM: ArXivID:1901.00596 WHAT PROBLEM TO SOLVE: Existing surveys...
Graph Neural Networks_ A Review of Methods and Applications----清华大学周杰.pdf
09-03
Graph Convolutional Networks (GCNs):** GCNs extend the concept of convolutional neural networks to graph-structured data by performing convolution operations on the graph's adjacency matrix....
Neo4j图分析—链接预测算法（LinkPredictionAlgorithms）
02-24
本文重点介绍了Adamic-Adar算法、CommonNeighbors、PreferentialAttachment等相关内容。本文来自简书，由火龙果软件Anna编辑、推荐。链接预测是图数据挖掘中的一个重要问题。链接预测旨在预测图中丢失的边,或者未来可能会出现的边。这些算法主要用于判断相邻的两个节点之间的亲密程度。通常亲密度越大的节点之间的亲密分值越高。AdamicAdar是一种基于节点之间共同邻居的亲密度测算方法。2003年由LadaAdamic和EytanAdart在predictlinksinasocialnetwork中提出的，计算亲密度的公式如下：其中N(u)是与节点u相邻的节点集
SEAL_OGB:SEAL的开源实现，用于在开放图基准（OGB）数据集中进行链接预测
05-03
SEAL_OGB-OGB链接预测任务的SEAL的实现 关于 该存储库支持以下论文： M. Zhang，P。Li，Xia Xia，K。Wang，和L. Jin，重新审视图神经网络进行链接预测。 SEAL是基于GNN的链接预测方法。 它首先为每个目标链接提取一个k跳封闭子图，然后应用双半径节点标签（DRNL）方案为每个节点提供一个整数标签作为其附加功能。 最后，将这些标记的封闭子图馈送到图神经网络，以预测链接的存在。 该存储库使用PyTorch-Geometric库重新实现SEAL，并在开放图谱基准（OGB）数据集上测试SEAL。 在提交时，SEAL在中的4个链接预测数据集中的3个中排名第1。 它还支持类行星状数据集，例如Cora，CiteSeer和PubMed，其中使用了随机的0.85 / 0.05 / 0.1拆分和AUC度量。 通过使用您自己的行星类数据集替换使用自定义数据集也很容
【链接预测论文推荐】
smile1always2的博客
04-20 1189
为了解决加权网络中的弱联系现象，提出了一个无参的链接预测方法，可以自适应地评估节点对地链接概率。
论文笔记：Cross View Link Prediction by Learning Noise-resilient Representation Consensus
travalscx的博客
01-31 460
Cross View Link Prediction by Learning Noise-resilient Representation Consensus目标方法顶点的embedding将有连接的顶点和属性的节点align在一起综合目标函数optimization 目标 在一个网络中（社交网络/生物网络/计算机网络。。），有的节点有属性信息，有的节点会和其他人相连，有的节点既有属性信息又和其他...
DGL笔记4——用GNN预测关系
大卫DrDavidS的博客
06-25 589
原文：Link Prediction using Graph Neural Networks DGL笔记1——用DGL表示图 DGL笔记2——用DGL识别节点 DGL笔记3——自己写一个GNN模型 在DGL笔记2——用DGL识别节点中
Link Prediction Note
sendoh的博客
11-23 1591
文章目录Link Prediction Note已有方法相关论文问题 Link Prediction Note 已有方法 启发式算法 Common Neighbor、Adamic Adar 利用两个节点之间预先定义的特征来衡量节点之间的相似度。 基于三元闭包理论 **缺点：**基于有限的自定义特征，无法更深入的学习图的结构 Network Embedding方法 基于游走的方法学习节点的embedding，如：DeepWalk、Node2vec等方法 **缺点：**无监督的方式，没法将链接预测任务嵌入到有
Physica A 2020 | 链接预测综述（一）：基于相似性的方法
KI的博客
03-25 4177
Physica A 2020 | 链接预测综述（一）：基于相似性的方法
图神经网络实战（15）——SEAL链接预测算法
盼小辉丶的博客
06-26 1744
链接预测是指利用图数据中已知的节点和边的信息，来推断图中未知的连接关系或者未来可能出现的连接关系，在机器学习和数据挖掘等领域具有广泛的应用。本节中介绍了用于链接预测的 SEAL 框架，其侧重于子图表示，每个链接周围的邻域作为预测链接概率的输入。并使用边级随机分割和负采样在 Cora 数据集上实现了`SEAL 模型执行链接预测任务。
An Interpretable Station Delay Prediction Model Based on Graph Community Neural Network and Time-Series Fuzzy Decision Tree的代码
最新发布
10-09
基于图社区神经网络（Graph Community Neural Network, GCN）和时间序列模糊决策树（Time-Series Fuzzy Decision Tree, TSFDT）的可解释性强的列车延误预测模型是一种结合了深度学习和传统机器学习技术的复杂算法。这类模型通常用于交通领域的应用，如铁路运输系统的实时调度优化。 其核心代码可能会包括以下几个部分： 1. **数据预处理**: ```python import pandas as pd from sklearn.preprocessing import MinMaxScaler # 加载数据 data = pd.read_csv('train_data.csv') scaler = MinMaxScaler() # 归一化时间序列特征 data[['delay', 'weather', ...]] = scaler.fit_transform(data[['delay', 'weather', ...]]) ``` 2. **构建图社区神经网络**: ```python import torch_geometric.nn as pyg_nn import torch_geometric.data def build_gcn_layer(): return pyg_nn.GraphConv(..., add_self_loops=True) model = Sequential( build_gcn_layer(), # GCN层 ReLU(), build_gcn_layer(), # 可能还有其他GCN层 ) ``` 3. **时间序列模糊决策树组件**: ```python from tsfuzzy import FuzzyDecisionTreeRegressor tree = FuzzyDecisionTreeRegressor(...) ``` 4. **集成模型**: ```python class IntegratedModel(nn.Module): def __init__(self): super().__init__() self.gcn = model self.tsft = tree def forward(self, x, graph): gcn_output = self.gcn(x, graph) tsft_input = gcn_output.view(-1, ...) delay_pred = self.tsft(tsft_input) return delay_pred ``` 5. **训练和预测**: ```python optimizer = Adam(model.parameters(), lr=0.01) for epoch in range(num_epochs): train_loss = train_model(model, data_train, optimizer) validate_loss = evaluate_model(model, data_val) # 预测阶段 with torch.no_grad(): test_delay_pred = integrated_model(test_data.x, test_data.edge_index) ```
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值