摘要
我们提出了一种在归纳设置下，基于图自编码器（Graph Autoencoder, GAE）从静态子图中学习节点嵌入（Node Embeddings）的框架——NESS（Node Embeddings from Static Subgraphs）。NESS的核心思想包含两点：i）在数据预处理阶段，通过随机边划分的方式，将训练图分割为多个互不重叠边的静态稀疏子图；ii）在测试阶段，将各子图中学习得到的节点表示进行聚合，以获得图的联合表示。此外，我们还提出了一种可选的归纳式对比学习方法，进一步提升表示能力。实验结果表明，相较于当前采用整图或随机子图的自编码方法，NESS在链接预测任务上能够生成更优的节点表示。大量实验还证明，NESS可有效提升多种图编码器的性能，并在多个真实世界数据集上实现了领先的链接预测效果，这些数据集的边同质性比率覆盖了从强异质性到强同质性的广泛范围。