ニューラルリンク予測のためのペアワイズ学習

本論文では、効果的なペアワイズ学習ニューラルリンク予測（PLNLP）フレームワークを提供することを目指しています。このフレームワークは、リンク予測をペアワイズのランキング問題として扱い、主に4つの構成要素から成り立っています。すなわち、近傍エンコーダ、リンク予測器、ネガティブサンプラー、および目的関数です。フレームワークは柔軟性があり、一般的なグラフニューラルコンボリューションやリンク予測専用のニューラルアーキテクチャを近傍エンコーダとして使用することができます。リンク予測器については、異なるタイプのグラフに基づいて選択できるように異なるスコアリング関数を設計しました。ネガティブサンプラーでは、問題固有の複数のサンプリング戦略を提供しています。目的関数に関しては、標準的なランキング指標AUCを大まかに最大化する効果的なランキング損失を使用することを提案します。提案されたPLNLPフレームワークについて、Open Graph Benchmarkの4つのリンク特性予測データセット（ogbl-ddi, ogbl-collab, ogbl-ppa, ogbl-citation2）で評価を行いました。PLNLPは基本的なニューラルアーキテクチャのみを使用して、ogbl-ddiとogbl-collabでトップ1の性能を達成し、ogbl-citation2ではトップ2の性能を達成しました。これらの結果はPLNLPの有効性を示しています。