基于节点中心性和图嵌入的链接预测参数化模型

Sep, 2023

基于节点中心性和图嵌入的链接预测参数化模型

A parameterised model for link prediction using node centrality and similarity measure based on graph embedding

Haohui Lu, Shahadat Uddin

TL;DR本文提出了一种新的方法 Node Centrality and Similarity Based Parameterised Model（NCSM）用于链接预测任务，通过在自定义的图神经网络（GNN）层中将节点中心性和相似性度量作为边特征进行唯一的集成，有效地利用大型网络的拓扑信息。该模型是第一个考虑拓扑信息的参数化 GNN 链接预测模型，并在五个基准图数据集上进行评估，结果表明 NCSM 相比于现有的最先进模型如图卷积网络和变分图自编码器，在各种指标和数据集上表现出更好的性能，这种卓越的性能归功于 NCSM 对节点中心性、相似性度量的创新整合和对拓扑信息的高效利用。

Abstract

link prediction is a key aspect of graph machine learning, with applications as diverse as disease prediction, social network recommendations, and drug discovery. It involves predicting new links that may form be

link prediction graph machine learning graph convolutional networks node centrality similarity measures

发现论文，激发创造

基于相似度和 GNN 的链接预测方法比较研究

本文研究相似性和基于 GNN 的链接预测方法在同构图中的应用，通过在具有不同属性的多个基准图上的实验评估不同方法的性能。

Aug, 2020

动态社交网络中基于进化算法的链接预测

描述、解释网络动态变化的关键挑战之一是预测短期和长期变化，在考虑增强节点属性和网络拓扑特征的基础上，应用 CMA-ES 优化 16 个邻域和节点相似性指数的权重来预测未来的链接，从而为推特回复网络的演化提供一些计算机建模的线索。

Apr, 2013

SimGNN：一种快速图相似度计算的神经网络方法

本文提出一种新颖的神经网络方法 SimGNN，该方法通过可学习的嵌入函数和注意力机制实现了对图形编辑距离等图形相似性计算的高效计算和良好性能的综合优化，并在三种真实图数据集上取得了比现有基线算法更小的误差率和更大的时间降低。

Aug, 2018

节点相似度保持的图卷积网络

该研究提出了一种名为 SimP-GCN 的新框架，它可以有效地保留节点相似性，同时利用图结构进行图表示学习，并使用自监督学习以显式捕获节点之间的复杂特征相似性和相异性关系。该框架在多个基准数据集上取得了比代表性基线更好的效果。

Nov, 2020

路径感知孪生图神经网络用于链接预测

本文提出了一种基于路径感知的孪形图神经网络（PSG）来进行链路预测任务，结合多任务图神经网络框架并采用自监督对比学习，能够同时捕捉节点内容和行为，实验结果在两个数据集上表现出卓越的性能。

Aug, 2022

神经公共邻居与补全用于链接预测

本文提出使用可学习的成对表示的神经公共邻居算法（Neural Common Neighbor, NCN）来解决关联预测任务中存在的成对关系问题。此外，为了解决网络不完整问题，也提出了两种干预方法（common neighbor completion 和 target link removal）。实验结果表明，与现有的强基线相比，该方法的表现更加优越，达到了关联预测任务中的最优水平。

Feb, 2023

重新审视基于邻近的协同过滤链路预测

本文提出了一种在双分图中利用本地图结构的连接分数来扩展多个标准连通性预测方法的新方法，并与迭代度更新过程相结合，以利用局部图结构的方法。尽管该方法很简单且不涉及节点建模，但我们展示了它在四个广泛使用的基准测试上明显优于现有的基于 GNN 的 CF 方法，在 Amazon-Book 上，我们展示了 Recall 和 NDCG 都有超过 60％的提高，希望我们的工作能引发学术界重新关注协作过滤中的链接预测方面。

Mar, 2022

2-hop 邻居类相似度（2NCS）：预示图神经网络性能的图结构度量

通过介绍 2NCS 方法，本文挖掘了同质网络比率和 Cross-Class 邻域相似性 (CCNS) 等指标的局限性，并在一个合成和 8 个真实图数据集上进行实验，结果表明 2NCS 可以更准确和一致地评估基于 GCN 和 GAT 的体系结构在节点分类任务上的准确性。

Dec, 2022

高效神经常见邻居用于时间图链接预测

我们提出了 TNCN，这是 NCN 的一个时间版本，用于预测时间图中的链接，并使用多跳公共邻居来学习更有效的成对表示。我们在五个大规模真实世界数据集上验证了我们的模型，并发现它在其中三个上实现了最新的最先进表现。此外，TNCN 在处理大型数据集上表现出了出色的可扩展性，在速度上超过了流行的 GNN 基线最多 6.4 倍。

Jun, 2024

通过局部信息预测丢失的链接

本文研究了基于节点相似度的网络链路预测模型，并比较了九种不同的局部相似度度量方法在六个真实网络中的性能。结果表明，最简单的方法即共同邻居法在各项性能上表现最佳，其次是 Adamic-Adar 指数。在此基础上提出了一种基于资源分配过程的新的相似度度量方法，并发现仅考虑最近邻信息时许多链接分配得分相同，设计出一种利用下一个最近邻信息的新方法，可以显著提高预测准确性。

Jan, 2009