Distance-Enhanced Graph Neural Network for Link Prediction阅读笔记

• 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
• 

 

1. 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；
2. 获取距离的特征（例如：最短路径、基于锚点的距离等）；
3. 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：