摘要
消息传递神经网络（Message Passing Neural Networks, MPNNs）已成为图表示学习领域的事实标准。然而，在链接预测任务中，MPNNs 常常表现不佳，甚至被诸如“共同邻居”（Common Neighbor, CN）等简单启发式方法超越。这种性能差距源于一个根本性局限：尽管 MPNNs 在节点级表示学习方面表现出色，但在捕捉对链接预测至关重要的联合结构特征（如 CN）方面存在不足。为弥合这一差距，我们提出，通过利用输入向量的正交性，纯粹的消息传递机制实际上能够有效捕获联合结构特征。具体而言，本文系统研究了 MPNNs 在近似 CN 启发式规则方面的能力。基于上述发现，我们提出了一种新型链接预测模型——消息传递链接预测器（Message Passing Link Predictor, MPLP）。MPLP 通过引入准正交向量来估计链接级别的结构特征，同时保留了节点级表示的复杂性。此外，我们的研究表明，利用消息传递机制捕捉结构特征，虽可能带来估计方差的增加，但可有效弥补 MPNNs 在表达能力上的局限。我们在多个领域内的基准数据集上进行了实验，结果表明，所提出的方法在各项指标上均持续优于现有基线方法。