IJCAIJul, 2020

仅具属性信息的节点归纳链路预测

PDF
TL;DR本研究提出了一种名为 DEAL 的模型，包括两种类型的节点嵌入编码器和一种对齐机制，用于解决图数据分析中的链路预测问题，并且在无监督的预测情况下，通过对齐两种类型的嵌入向量获得更高的精度。
graph data analyticslink predictioninductive predictionattribute informationmodel training
发现论文，激发创造
  • 知识图谱中基于路径的神经网络的归纳链接预测

    本文提出了使用孪生神经网络的基于路径的归纳链接预测模型 SiaILP，仅依赖关系和路径嵌入，可泛化到新实体而无需微调，实验证明该模型在归纳版本的 WN18RR、FB15k-237 和 Nell995 的链接预测任务中取得了多个最新的最优性能。

    Dec, 2023

  • 关系超图的链接预测

    通过关系超图进行链接预测的研究，提出了两种框架，并通过相应的关系 Weisfeiler-Leman 算法和一些自然逻辑形式主义的广泛实证分析，证明了所提模型架构的表达能力。在各种关系超图基准测试中，所得到的模型架构明显优于每个基线模型，对于归纳链接预测具有领先水平的结果，从而开启了图神经网络在完全关系结构中的应用。

    Feb, 2024

  • 时序图网络中新节点的动态链接预测

    使用基于元学习原理的新型模型对新节点的动态链接预测进行建模，通过在时间编码器和预测器中融入元学习范式，实现了对新节点的快速适应并取得了卓越的性能。

    Oct, 2023

  • 利用多任务视角进行具有新关系类型和节点的链接预测的 OOD 处理

    本文对双重可交换性概念进行了拓展，并提出了一种适用于多任务的归纳链接预测方法，在没有额外信息的情况下有效地推广到测试中的全新关系类型，相比现有方法取得了显著的性能改进。

    Jul, 2023

  • 预测动态图的结构

    本文介绍了一种基于时序方法和通量平衡分析的方法，用于预测未来时间点的图结构，并在合成和实际数据集上验证了其效用和适用性。

    Jan, 2024

  • 利用节点属性处理不完整关系数据

    本论文提出了一种贝叶斯概率方法，通过将二进制编码的各种节点属性纳入泊松似然的关系模型中，利用侧面信息来提高社区检测和链接预测的性能。该方法可以灵活地处理有向和无向关联网络，利用节点属性的稀疏性，通过高效的 Gibbs 采样实现推理。广泛实验证明，我们的模型实现了最先进的链接预测结果，尤其是在高度不完整的关系数据中。

    Jun, 2017

  • 学习外推知识：跨领域几何关系联合推理下的少样本图外关系预测

    该论文介绍了一种名为 Graph Extrapolation Networks（GEN）的新型转导式元学习框架，通过该框架，可以在实现小样本图数据链接预测中超越其他同类方法。

    Jun, 2020

  • BSAL: 面向链接预测的双组分结构及属性学习框架

    本文提出了一种结构和属性学习框架（BSAL），该框架旨在自适应地利用来自拓扑和特征空间的信息，并使用注意机制将语义嵌入和拓扑嵌入融合在一起，以解决多样网络缺失链路推断问题。实验表明，与基线相比，我们的提议具有优异的性能。

    Apr, 2022

  • 因果升维与链接预测

    本文介绍了第一个能处理路径依赖的因果模型，它引入了因果提升的概念，并且证明了基于结构对的节点对称联合表征方法，具有更低的偏差和更好的因果结构表示能力。

    Feb, 2023

  • 知识图谱中基于拓扑感知的关系间归纳连接预测相关性

    该论文提出了一种新的归纳推理方法 TACT，可以有效地利用关系之间的拓扑感知相关性，以预测缺失的链接，相比现有的方法，表现得更好。

    Mar, 2021