Link Prediction Note

Link Prediction Note

已有方法

1. 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
2. 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监督学习流程中，且无法适用用户的节点属性，无法取得较好的预测精度
3. GNN 方法
   基于图神经网络学习的方法：GCN、GAT、GraphSage等，通过对节点聚合其来自邻居节点的信息最终得到节点的表示，来实现图结构特征的学习。

• Node-Centric GNN
  GCN、GAT、GraphSage模型等都是针对两个节点的邻域进行表征，生成节点表征时，仅仅考虑对两个节点的邻域节点属性独立地进行聚合，忽略了对节点之间的交互结构建模。
• Edge-centric GNN
  不仅考虑聚合节点的邻域信息，也考虑两个节点之间的连接，例如在SEAL中，使用Node labeling编码标注邻域节点的角色，GIL（Graph Inference Learning）框架使用两个节点之间之间的路径可达性（如random walk相似度）辅助链接预测任务学习，GraIL使用graph-level的readout函数进行子图结构的表征。现有的Edge-centric GNN将结构信息和属性信息分开建模，无法抽取到高阶结构和属性的融合信息，如在社交网络中，无法建模“A和B之间校友关系的共同好友数量”这样的pattern。
  DEGNN 通过anchor node 锚点将节点之间的路径长度信息加入了模型中。

相关论文

问题

• 社交网络结构特征
  • 长尾分布特征
  • 用户节点度的特征加粗样式