TeleGraph: 一个层次化链接预测的基准数据集
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
本文研究了一种基于图神经网络的启发式学习方法,通过提取目标链接周围的局部子图,学习一个将子图模式映射到链接存在性的函数,从而自动学习适合当前网络的启发式算法,实验结果表明其性能优越。
Feb, 2018
本文以数据为中心的观点,旨在研究不同数据集中的链接预测原则,确认了三个关键因素:局部结构接近度、全局结构接近度和特征接近度,并揭示了它们之间的关系。新的洞察启发了 GNN4LP 模型设计以及选择适当基准数据集进行更全面评估的实用指导。
Oct, 2023
本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型,利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测,实验证明 GraphLP 在不同数据集上都具有优异性能。
Dec, 2022
本研究提出使用图论中的线图来解决原始图中的链路预测问题,将链路预测问题转化为其相应的线图的节点分类问题,实验结果表明该方法在不同应用的 14 个数据集上表现优异,同时参数更少,训练效率更高。
Oct, 2020
这篇论文提出了一种从网络数据中推断出分层结构的通用技术,并证明了层次结构的存在可以同时解释和定量重现网络的许多常见的拓扑特性,同时还展示了层次结构的知识可以用于高精度地预测部分已知网络中的缺失连接,这表明分层结构是复杂网络的一个核心组织原则,能够为许多网络现象提供深刻洞察。
Nov, 2008
本研究通过重新构建动态连接预测作为链接预测任务,更好地考虑了数据中的时间信息,解决了常见评估方法引起的模型性能不准确和方法公平比较困难的问题。
Jun, 2024
介绍了基于排名的指标来生成缺失的负样本,提出了两种改进现有指标的方法(不同聚合函数和概率理论),并提出了更易于解释和比较的几个新的基于排名的指标,而且还伴随着使用这些指标评估知识图谱嵌入模型的示例。
Mar, 2022