基于神经架构搜索的多级启发式图神经网络在多关系链接预测中的集成研究

为解决GNN在多关系链接预测中难以区分局部相似节点、缺乏全局拓扑感知的问题，西北工业大学团队提出S2I框架，通过神经架构搜索(NAS)技术将全局/局部启发式信息自适应融入GNN架构。该研究构建包含9种启发式规则的统一搜索空间，采用双阶段优化算法，在UMLS等4个基准数据集上实现SOTA性能，为知识图谱补全等应用提供新范式。

　　

在知识图谱和生物医学网络分析领域，多关系链接预测一直是核心挑战。传统图神经网络(GNN)虽然通过消息传递机制提升了性能，却存在两个致命缺陷：一是因层数限制仅能捕获局部结构特征，二是对具有相似邻居的节点（如药物分子中仅位置不同的原子）难以区分。更棘手的是，现有方法往往机械地套用单一启发式规则，既无法适应不同数据集特性，也忽略了启发式信息与GNN架构的协同效应。

西北工业大学的研究团队在《Neurocomputing》发表的这项研究，开创性地将神经架构搜索(NAS)技术引入多级启发式信息整合领域。他们设计的S2I框架包含主GNN分支和辅助启发式分支，后者明确划分为全局（如特征中心性）和局部（如共同邻居数）两个层级。通过构建含9类启发式规则的搜索空间，并采用双阶段优化算法，最终在UMLS医学语义网络、Kinship家族关系等数据集上，将链接预测准确率最高提升23.7%。

关键技术包括：1) 构建覆盖Common Neighbors等经典启发式的搜索空间；2) 设计包含GNN操作和启发式选项的双层优化框架；3) 采用one-shot两阶段搜索算法加速探索；4) 在FB15k-237等基准数据集进行验证。

方法论
研究团队提出三级整合框架：全局启发式通过操作邻接矩阵获取拓扑特征向量，局部启发式则编码子图频率等微观特征。搜索空间包含GATv2等7种GNN变体和9类启发式，通过可微分搜索技术实现高效探索。

实验结果
在WN18RR词汇网络测试中，S2I的MRR(平均倒数排名)达到0.589，显著优于Eigen-GNN等基线。特别在区分结构相似节点时，因融合共同邻居数等局部启发式，使<>₁,v₃>与<>₂,v₃>的预测准确率差异从基线模型的6.2%扩大至18.7%。

结论与意义
该研究首次实现多级启发式与GNN架构的自动化适配，突破传统方法在拓扑感知上的局限性。其创新点在于：1) 建立启发式信息与架构参数的协同优化机制；2) 验证全局/局部特征互补性，如在药物相互作用预测中，全局特征提升15.3%的宏观准确性，而局部特征优化32.7%的微观区分度。这项工作为知识图谱补全、药物重定位等医学应用提供了更可靠的预测工具。