- 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 networks(2018) | |
Line graph neural networks for link prediction(2020) | |
Link prediction by analyzing common neighbors based subgraphs using convolutional neural network(2020) |
- 解决问题
以往基于GNN的方法没有明确考虑节点之间的距离信息,因此在本文中提出将距离信息与GNN结合,提出一种距离增强GNN。
在一个大型图中计算许多节点对的成本很高,因此本文提出一种基于锚的距离(具体来说,首先从节点集中随机选择KA个节点,并将它们表示为锚点,然后计算从这些锚点到任意节点的最短路径,最后使用两个节点与每个锚点之间的距离的平均值作为估计。),能够大大降低时间复杂度。
- 系统模型
- 系统采用GNN提取节点的表示,然后将它们俩合并作为一个边缘特征;
- 获取距离的特征(例如:最短路径、基于锚点的距离等);
- 结合边缘特征和距离特征进行链接预测。
- 实验结果
实验采用的数据集为DDI和PPA(它们的评价指标分别为Hits@20和Hits@100)
DDI数据集的实验结果如下:
PPA数据集的实验结果入下: