通过图注意力网络进行链路预测
原文标题: Link Prediction via Graph Attention Network
地址: http://arxiv.org/abs/1910.04807
作者: Weiwei Gu, Fei Gao, Xiaodan Lou, Jiang Zhang
摘要: 链路预测的目标来推断基于当前观测的部分网络上的缺失环节或预测未来的。它是在网络科学的一个基本问题,因为不仅问题有广泛的应用如社会网络的推荐和信息检索,还包含关联节点属性和网络结构的丰富的隐藏信息。然而,常规的链路预测方法既不具有高的预测精度也不能够露出后面链接的隐藏信息的。为了解决这个问题,我们推广了深度学习上图的最新技术,并提出了一种新的链路预测模型 - 通过整合在GraphSAGE成批图卷积技术和图注意网络的注意机制(GAT)DeepLinker。五个图表实验表明,我们的模型不仅可以达到国家的最先进的准确性链路预测,而且还有效的排名和节点表示作为链路预测任务的副产品。虽然没有任何节点标签信息中获得的低维表示节点,它们可以在下游的任务,如节点排名和分类表现非常好。因此,我们主张在图上的链路预测任务,就像是自然语言处理的语言模型,因为它揭示了从图结构在无人监督的方式隐藏的信息。