用于链接预测的层次超图神经网络

《Scientific Reports》：Hierarchical supergraph neural networks for link prediction

　　

摘要

链接预测是网络分析中的重要任务，其目标是估算复杂图中节点之间缺失或未来的连接关系。近年来基于图神经网络（GNN）的方法展现了良好的性能；然而，许多现有方法主要关注局部邻域的聚合，往往无法有效捕捉更高阶的结构信息及社区间的关联关系。为克服这些局限，本文提出了一种用于链接预测的层次化超图神经网络框架。该框架在两个层面进行层次化表示学习：在原始图上开展节点级学习，在具有社区意识的超图上开展社区级学习。通过将社区表示为超级节点，将社区间的关系表示为超级边，该超图结构使得模型能够同时捕捉局部和全局的结构依赖性。该框架将基于图注意力网络（GAT）的节点嵌入、社区级表示、节点影响力信息、全局图统计特征以及结构启发式特征整合到统一的架构中。此外，还采用了基于注意力的融合机制，将多层面的图表示结合在一起，以提升链接预测的性能。在多个真实世界基准数据集上的实验结果表明，与现有的链接预测方法相比，该框架在AUROC和AUPR指标上取得了更为优异且稳定的性能。