关系超图的链接预测

Feb, 2024

Link Prediction with Relational Hypergraphs

Xingyue Huang, Miguel Romero Orth, Pablo Barceló, Michael M. Bronstein, İsmail İlkan Ceylan

TL;DR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。

Abstract

link prediction with knowledge graphs has been thoroughly studied in graph machine learning, leading to a rich landscape of graph neural network<

link prediction knowledge graphs graph neural network relational hypergraphs graph neural networks

发现论文，激发创造

关系 Weisfeiler-Leman 预测理论

我们的研究旨在系统理解知识图谱中图神经网络的表达能力和局限性，并通过关系 Weisfeiler-Leman 算法对不同模型的表现进行表征，最终阐明了一些常用的实际设计选择的优势。

Feb, 2023

知识超图：超越二元关系的预测

本文提出了两种基于嵌入的方法 HSimplE 和 HypE，直接处理知识超图中的关系，以解决链接预测问题，此外还开发了公共数据集、基准测试并进行了实验，证明所提出的模型比基准测试更 effective。

Jun, 2019

基于图的 N 元关系事实链预测方法

本研究提出了基于小型异构图的全连接式注意力图算法，用于处理 n 元关系事实的链接预测问题，并在多种实验数据集上证明了该方法的有效性和优越性。

May, 2021

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

超网络知识图谱嵌入

本文提出一种基于超网络结构的张量分解方法，用于实现知识图谱中链接预测任务，取得了比 ConvE 和所有以前的方法更好的性能表现，同时能够作为张量分解模型的一种简化（相比较于卷积神经网络方法）而得到推广。

Aug, 2018

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

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

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

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

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