Jan, 2024

在图挖掘中引入新的节点预测：使用图神经网络从孤立节点预测所有链接

PDF
TL;DR介绍了一个新的问题 —— 图挖掘和社交网络分析领域的新节点预测。该问题被归类为零样本外图全链接预测，旨在预测与一个之前与图中的节点断开连接、孤立且未被观察到的新节点的所有链接。实验证明，基于深度图神经网络的架构可以学习解决这个具有挑战性的问题，在文献引用网络中很有效。
发现论文，激发创造
  • 基于线性图神经网络的链接预测

    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

  • 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

  • 预测人工智能论文中的语义关系的方法

    本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

    Jan, 2022

  • 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

  • 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

  • 社交网络中的链路预测：现状

    本文综述了社交网络中缺失链接的预测方法和应用，并分析了当前技术的现状、问题、应用和未来挑战。

    Nov, 2014

  • 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

  • 自解释图神经网络用于链路预测

    本文提出一种自我可解释的 GNN 框架，可以同时给出精确的预测和解释，通过找到一个节点的各种 $k$ 个重要邻居，为该节点到其他节点的链接学习对特定的表示，从而得出解释。

    May, 2023

  • 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

  • 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