GraphGAN: Graphenrepräsentationslernen mit generativen adversären Netzen

Das Ziel des Lernens von Graphrepräsentationen besteht darin, jeden Knoten in einem Graph in einen niedrigdimensionalen Vektorraum einzubetten. Bestehende Methoden des Lernens von Graphrepräsentationen lassen sich in zwei Kategorien einteilen: generative Modelle, die die zugrunde liegende Verbindungsverteilung im Graph lernen, und diskriminative Modelle, die die Wahrscheinlichkeit der Existenz einer Kante zwischen einem Paar von Knoten vorhersagen. In dieser Arbeit schlagen wir GraphGAN vor, ein innovatives Framework zur Lernung von Graphrepräsentationen, das die beiden genannten Klassen von Methoden vereint. Dabei spielen das generative Modell und das diskriminative Modell ein spieltheoretisches Minimax-Spiel. Speziell gesagt, versucht das generative Modell für einen gegebenen Knoten, seine zugrunde liegende wahre Verbindungsverteilung über alle anderen Knoten zu erlernen und „falsche“ Proben zu erzeugen, um das diskriminative Modell zu täuschen. Das diskriminative Modell hingegen versucht zu erkennen, ob der abgetastete Knoten aus der Realität stammt oder vom generativen Modell erzeugt wurde. Durch den Wettbewerb zwischen diesen beiden Modellen können beide ihre Leistung abwechselnd und iterativ verbessern. Darüber hinaus schlagen wir bei der Implementierung des generativen Modells eine neuartige Graph-Softmax-Funktion (graph softmax) vor, um die Einschränkungen der traditionellen Softmax-Funktion zu überwinden. Diese kann als bewiesen gelten, dass sie wünschenswerte Eigenschaften wie Normalisierung, Bewusstsein für die Graphstruktur und Recheneffizienz erfüllt. Anhand umfangreicher Experimente mit realweltlichen Datensätzen zeigen wir, dass GraphGAN in verschiedenen Anwendungen wie Link-Vorhersage, Knotenklassifizierung und Empfehlungssysteme beträchtliche Verbesserungen gegenüber den besten bisherigen Baselines erreicht.