Neuronale Bellman-Ford-Netzwerke: Ein allgemeines Graph-Neurales-Netzwerk-Framework für Link-Vorhersage

Die Link-Vorhersage ist eine grundlegende Aufgabe bei Graphen. Inspiriert von traditionellen pfadbasierten Methoden schlagen wir in diesem Artikel ein allgemeines und flexibles Repräsentationslernframework vor, das auf Pfaden basiert und für die Link-Vorhersage geeignet ist. Insbesondere definieren wir die Repräsentation eines Knotenpaares als die verallgemeinerte Summe aller Pfadrepräsentationen, wobei jede Pfadrepräsentation als das verallgemeinerte Produkt der Kantenrepräsentationen im Pfad betrachtet wird. Angeregt durch den Bellman-Ford-Algorithmus zur Lösung des kürzesten-Pfad-Problems zeigen wir, dass die vorgeschlagene Pfadformulierung effizient durch einen verallgemeinerten Bellman-Ford-Algorithmus gelöst werden kann. Um die Kapazität der Pfadformulierung weiter zu verbessern, stellen wir das neuronale Bellman-Ford-Netzwerk (NBFNet) vor, ein allgemeines Framework für Graph-Neuronale Netze, das die Pfadformulierung mit gelernten Operatoren im verallgemeinerten Bellman-Ford-Algorithmus löst. Das NBFNet parametrisiert den verallgemeinerten Bellman-Ford-Algorithmus mit drei neuronalen Komponenten: INDICATOR-, MESSAGE- und AGGREGATE-Funktionen, die der Randbedingung, dem Multiplikationsoperator und dem Summationsoperator entsprechen. Das NBFNet ist sehr allgemein gehalten, umfasst viele traditionelle pfadbasierte Methoden und kann sowohl auf homogenen Graphen als auch auf multi-relationellen Graphen (z.B., Wissensgraphen) in transduktiven wie induktiven Szenarien angewendet werden. Experimente sowohl an homogenen Graphen als auch an Wissensgraphen zeigen, dass das vorgeschlagene NBFNet bestehende Methoden in beiden Szenarien erheblich übertrifft und neue Standartleistungen erreicht.