ProvG代码复现重构（二）模型构建

2023年CCS会议上的论文：
【ProvG-Searcher: A Graph Representation Learning Approach for Efficient Provenance Graph Search】

参数选择模型：顺序嵌入模型 or baseline方法MLP

• OderEmbedder：图嵌入和线性层

• 图嵌入模型

1. SkipGNN模型

SkipGNN: predicting molecular interactions with skip-graph networks | Scientific Reports (nature.com)

这篇论文提出了SkipGNN，一种用于预测分子相互作用的图神经网络方法。SkipGNN不仅通过聚合来自直接相互作用的信息，而且通过聚合来自二阶相互作用的信息来预测分子相互作用，我们称之为跳跃相似性。与现有的GNN相比，SkipGNN接收来自交互网络中的双跳邻居和近邻的神经信息，并对消息进行非线性转换，以获得有用的预测信息。为了将跳过相似性注入 GNN，我们构建了原始网络的修改版本，称为跳过图。然后，我们开发了一种迭代融合方案，该方案使用跳过图和原始图来优化GNN。

在药物-药物、药物-靶点、蛋白质-蛋白质和基因-疾病相互作用等四种相互作用网络上的实验表明，SkipGNN具有卓越而稳健的性能。SkipGNN学习具有生物学意义的嵌入，并且在嘈杂，不完整的交互网络上表现特别好。

2. SAGE模型

3. GIN模型

4. ConvEdgeType模型

• 线性模型 clf_model

一维转为两维的线性层，用于argmax输出分类结果（匹配 or 不匹配）