基于神经网络的链接预测对偶学习

本文旨在提供一个有效的成对学习神经链接预测（PLNLP）框架。该框架将链接预测视为成对学习排序问题，由四个主要组件构成，即邻域编码器、链接预测器、负采样器和目标函数。该框架具有灵活性，可以采用任何通用的图神经卷积或特定于链接预测的神经架构作为邻域编码器。对于链接预测器，我们设计了不同的评分函数，可以根据不同类型的图进行选择。在负采样器中，我们提供了几种针对具体问题的采样策略。至于目标函数，我们提出使用一种有效的排名损失函数，该函数近似最大化标准排名指标AUC（Area Under the Curve）。我们在Open Graph Benchmark的4个链接属性预测数据集上评估了所提出的PLNLP框架，包括ogbl-ddi、ogbl-collab、ogbl-ppa和ogbl-citation2。PLNLP仅使用基本的神经架构就在ogbl-ddi和ogbl-collab上取得了最佳性能，在ogbl-citation2上取得了第二佳性能。这些结果表明了PLNLP的有效性。