Neuronale gemeinsame Nachbarn mit Ergänzung für die Link-Vorhersage

In dieser Arbeit stellen wir ein neuartiges Modell für die Link-Vorhersage vor und steigern dessen Leistungsfähigkeit durch die Untersuchung der Graphenunvollständigkeit. Zunächst führen wir MPNN-then-SF ein, eine innovative Architektur, die strukturelle Merkmale (Structural Features, SF) nutzt, um das Repräsentationspooling von MPNN zu leiten, mit ihrer Implementierung als Neural Common Neighbor (NCN). NCN zeichnet sich gegenüber bestehenden Modellen durch überlegene Ausdruckskraft und Skalierbarkeit aus, die sich in zwei Kategorien einteilen lassen: SF-then-MPNN, bei denen die Eingabe von MPNN durch SF erweitert wird, und SF-and-MPNN, bei denen SF und MPNN entkoppelt werden. Zweitens untersuchen wir den Einfluss der Graphenunvollständigkeit – dem Phänomen, dass bestimmte Verbindungen im Eingabegraphen nicht beobachtet werden – auf strukturelle Merkmale wie den gemeinsamen Nachbarn. Durch Visualisierung von Datensätzen stellen wir fest, dass die Unvollständigkeit die Anzahl gemeinsamer Nachbarn verringert und Verteilungsverschiebungen verursacht, was die Modellleistung erheblich beeinträchtigt. Um dieses Problem anzugehen, schlagen wir vor, ein Link-Vorhersagemodell zu verwenden, um die Struktur gemeinsamer Nachbarn zu vervollständigen. Durch Kombination dieser Methode mit NCN entwickeln wir Neural Common Neighbor with Completion (NCNC). NCN und NCNC überflügeln starke aktuelle Baseline-Modelle deutlich, wobei NCNC zudem state-of-the-art-Modelle in Standard-Benchmarks für die Link-Vorhersage übertrifft. Unser Quellcode ist unter https://github.com/GraphPKU/NeuralCommonNeighbor verfügbar.