Réseaux de Bellman-Ford Neuraux : Un Cadre Général de Réseaux Neuraux sur Graphes pour la Prédiction de Liens

La prédiction de liens est une tâche fondamentale dans les graphes. Inspirés par les méthodes traditionnelles basées sur les chemins, nous proposons dans cet article un cadre général et flexible d'apprentissage de représentations basé sur les chemins pour la prédiction de liens. Plus précisément, nous définissons la représentation d'un couple de nœuds comme la somme généralisée de toutes les représentations de chemins, chaque représentation de chemin étant le produit généralisé des représentations d'arêtes constituant ce chemin. Motivés par l'algorithme de Bellman-Ford pour résoudre le problème du plus court chemin, nous montrons que la formulation proposée des chemins peut être résolue efficacement par l'algorithme de Bellman-Ford généralisé. Pour améliorer davantage la capacité de cette formulation des chemins, nous introduisons le Réseau Neural Bellman-Ford (NBFNet), un cadre général de réseau neuronal pour graphes qui résout la formulation des chemins en utilisant des opérateurs appris dans l'algorithme de Bellman-Ford généralisé. Le NBFNet paramètre l'algorithme de Bellman-Ford généralisé avec trois composants neuronaux : les fonctions INDICATEUR, MESSAGE et AGGREGATION, qui correspondent respectivement à la condition initiale, à l'opérateur multiplicatif et à l'opérateur additif. Le NBFNet est très général, englobe de nombreuses méthodes traditionnelles basées sur les chemins et peut être appliqué aux graphes homogènes ainsi qu'aux graphes multi-relationnels (par exemple, aux graphes de connaissances) dans des contextes transductifs et inductifs. Les expériences menées sur des graphes homogènes et des graphes de connaissances montrent que le NBFNet proposé surpassent largement les méthodes existantes dans les deux contextes transductif et inductif, atteignant ainsi des résultats nouveaux états de l'art.