论文《Line Graph Neural Networks for Link Prediction》阅读

行者^_^煜煜

于 2024-11-29 16:23:16 发布

阅读量1.2k

点赞数 22

分类专栏：论文阅读文章标签：神经网络推荐算法图神经网络

本文链接：https://blog.csdn.net/xingzhe123456789000/article/details/144140157

版权

论文《Line Graph Neural Networks for Link Prediction》阅读

论文概况
Introduction
Methodology
Experiments
Summary

今天带来的是一篇经典论文《Line Graph Neural Networks for Link Prediction》，提出线图在链路预测上的应用。论文发表在TPAMI上，由微软的Lei Cai等人完成。论文在Google Scholar上有200+的引用量，成为事实上的链路预测SOTA模型。

论文概况

论文发表时间是2021年，实际上2020年就投到arXiv上了，从时间上来说，是相当领先且高效的链路预测模型。

论文聚焦于链路预测场景，强调其模型的普适性，在一共14个数据集上进行了实验（包含学术转发、生物、交通、社交网络等），均能够取得较好的结果。
Dataset Description

论文方法论部分非常简单，yet effective，而且writing部分切入非常准确，提出了LGLP模型。

论文地址：TPAMI LGLP

代码仓库：LGLP

Introduction

先介绍一下链路预测 Link Prediction，其任务主要是预测目标边的概率。模型为分类模型，即判断边存在/不存在。

论文的切入点聚焦在链路预测的信息损失这个角度。在链路预测领域，当前的主流方法是GNN，大概的pipeline是在整个链路图中，随机选择若干两个结点，以这两个结点作为中心通过（深度或广度）遍历得到对应子图，在这个子图上进行表示学习。至于目标边的预测，则通过log loss进行学习，也就是通过池化操作，将两个大小为 $D$ 的向量池化为一个 $0$ 到 $1$ 的实数。这个任务实际上是一个图分类任务，即判断该图为0/1。这步操作过程会损失较多的信息，造成模型性能不够优秀。

Architecture

作者在这个基础上，提出使用线图，即将原图中的边换为点，点换位边，这样，原图的连边预测任务就转化为线图的结点分类任务。即对应的结点是有边结点还是无边结点。

图分类 $\Longrightarrow$ 节点分类

Methodology

实际上LGLP模型是在SEAL模型的基础上进行的，模型的基本pipeline也是遵循了SEAL的基本操作。作者将链路预测分为3个基础步骤：

Enclosing Graph Extraction：封闭子图提取
Node Labeling：节点重要性标注
Feature Learning & Link Prediciton：图方法及结果预测。

下面依次介绍。

子图提取

Line Graph Illustration

$K$ -hop子图提取，即对目标结点对 $v_i$ 或 $v_j$ 的距离不超过 $K$ 的结点都计算进入到子图 $G_{\left(v_i, v_j\right)}^{K}$ 中。
$G_{\left(v_i, v_j\right)}^{h}=\left\{v \mid \min \left(d\left(v, v_i\right), d\left(v, v_j\right) \leq h\right)\right\}.\tag{1}$
然后进行线图转换，点变成边，边变成点。