Oct, 2023

自适应对编码用于链接预测

PDF
TL;DRLPFormer 是一种新方法，通过学习适应性地编码每个链接的成对编码，以实现链接预测，并通过建模与链接预测相关的多个因素的注意力模块来模拟链接之间存在的成对编码。大量实验证明，LPFormer 在许多数据集上能够达到最先进的性能同时保持效率。
link predictiongraph-structured datamessage-passing neural networkspairwise encodinglpformer
发现论文，激发创造
  • 链路预测的混合模型

    介绍了一种适用于链接预测的简单的专家组合模型（Link-MoE），通过选择合适的专家基于各种类型的成对信息，该模型在各种真实世界数据集上取得了显著的性能提升。

    Feb, 2024

  • 神经网络链接预测的配对学习

    本文提出了一个有效的针对神经链接预测进行成对学习的框架（PLNLP），其采用了四个主要组件，包括邻域编码器、链接预测器、负采样器和目标函数，并在 OGBlbenchmark 上进行了评估。该框架具有灵活性，可选用任何通用的图神经卷积或链接预测特定的神经结构进行编码。

    Dec, 2021

  • 纯信息传递可用于链路预测中的公共邻居估计

    通过利用输入向量的正交性，纯消息传递可以捕捉联合结构特征，我们引入了一种基于消息传递的链接预测模型（MPLP），它利用准正交向量来估计链接级结构特征，同时保留节点级复杂性。我们的方法在各个领域的基准数据集上对于基准方法有一致的优化效果。

    Sep, 2023

  • 重新审视链接预测：数据视角

    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

  • 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

  • 基于表示学习和启发式特征的社交网络链接预测

    使用各种特征提取技术来为社交网络中的节点和边生成表示，以便预测缺失的连接，进而产生准确的推荐。

    Mar, 2024

  • 生成式图神经网络用于链接预测

    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

  • 基于图神经网络的链接预测

    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

  • 二分网络中的链接预测

    通过实验比较 19 种处理二分图的链接预测方法，该研究提出了使用图卷积网络（GCN）改进的推荐系统作为二分图链接预测的新解决方案，并发现 GCN 的个性化推荐系统和基于启发式度量的方法如结构扰动法（SPM）都能够取得成功的结果。

    Jun, 2024

  • 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