ニューラル・ベルマン・フォード・ネットワーク：リンク予測のための一般的グラフニューラルネットワークフレームワーク

リンク予測はグラフにおける非常に基本的なタスクです。伝統的なパスベースの手法に着想を得て、本論文ではリンク予測のためにパスに基づく一般的で柔軟な表現学習フレームワークを提案します。具体的には、ノードのペアの表現をすべてのパス表現の一般化された和として定義し、各パス表現をパス内のエッジ表現の一般化された積として定義します。最短経路問題を解くためのベルマン・フォードアルゴリズムに触発されて、提案したパス表現が一般化されたベルマン・フォードアルゴリズムによって効率的に解けることを示します。さらに、パス表現の能力を向上させるために、Neural Bellman-Ford Network (NBFNet) を提案します。これは、学習可能な演算子を使用してパス表現を解く一般的なグラフニューラルネットワークフレームワークです。NBFNet は 3つのニューラルコンポーネント、すなわち INDICATOR（境界条件）、MESSAGE（乗算演算子）、AGGREGATE（加算演算子）関数で一般化されたベルマン・フォードアルゴリズムをパラメータ化します。NBFNet は非常に一般的であり、多くの伝統的なパスベースの手法をカバーしており、推移的設定と帰納的設定の両方で均質グラフや多関係グラフ（例：知識グラフ）に適用できます。均質グラフと知識グラフでの実験結果から、提案した NBFNet が推移的設定と帰納的設定の両方で既存の手法よりも大幅に優れており、新しい最先端の結果を達成していることが示されました。