《Physica A: Statistical Mechanics and its Applications》：HSAGNN: A hybrid structure and attribute graph neural network with attention fusion for link prediction
编辑推荐：
•双通道 GNN 模型同时建模复杂网络的拓扑结构与属性特征。•增强型 DGCNN 直接执行局部结构增强。•自适应融合机制动态平衡结构先验与语义先验。•HSAGNN 在五个实证网络上均优于强基线方法。引言随着社交网络、知识图谱、生物分子网络和推荐系统等复杂系统的快速发展，大量真
- •
双通道 GNN 模型同时建模复杂网络的拓扑结构与属性特征。
- •
增强型 DGCNN 直接执行局部结构增强。
- •
自适应融合机制动态平衡结构先验与语义先验。
- •
HSAGNN 在五个实证网络上均优于强基线方法。
引言
随着社交网络、知识图谱、生物分子网络和推荐系统等复杂系统的快速发展，大量真实世界数据以图的形式组织，其中节点表示实体，边表示实体之间的关系。链接预测旨在基于部分观测到的边来推断潜在的或缺失的连接，已成为网络补全、关系发现和结构推理中的核心任务之一 [1], [2], [3]。近年来，图神经网络（GNN）通过消息传递机制在图拓扑上学习节点表示，显著推动了链接预测研究的发展，成为该领域的主要范式 [4], [5], [6], [7], [8], [9]。现有方法通常可分为三类。第一类是节点表示方法，如 GCN、GAT 和 GraphSAGE，它们学习节点嵌入并对节点对进行评分 [10], [11], [12]。第二类是编码器-解码器框架，如 GAE 和 VGAE，通过重构图的邻接关系来学习潜在空间表示 [13]。第三类是子图方法，它直接学习目标边周围 k 跳封闭子图中的判别性特征，以捕捉细粒度的结构证据 [14], [15]。与此同时，经典相似度度量、浅层网络嵌入方法和知识图谱嵌入模型也为链接预测提供了重要基础，包括 Katz 指数、DeepWalk、LINE、TransE、DistMult 和 ComplEx [16], [17], [18], [19], [20], [21]。更广泛地说，早期的谱图模型以及后续几何深度学习的视角为关系数据上的学习奠定了方法论基础 [22], [23], [24]。
尽管这些方法各有优势，但它们在结构信息与属性/语义信息的协同利用方面仍存在局限性。具体而言，节点表示和基于重构的方法通常缺乏对目标边周围局部子图证据的显式建模，而子图方法虽然在刻画局部结构模式方面有效，但可能未能充分利用全局高阶相似性和语义先验 [15], [25], [26], [27]。此外，近期研究表明，最 informative 的成对证据在不同候选链接之间可能存在差异，这促使了自适应机制的发展，以结合结构接近度、节点特征和学习的表示，而非对每个样本应用固定融合规则 [8], [28], [29], [30]。
提升链接预测性能至关重要，因为它可以直接提高推荐系统的准确性，增加知识图谱补全的覆盖率，并提高生物网络中发现新关系的效率，从而具有重大的工程和实践价值 [1], [2], [31]。然而，如何实现子图结构信号与全局属性/语义信号之间的有效互补，仍然是图表示学习中的关键科学问题之一。过度依赖局部子图可能忽略全局语义相似性，而过度依赖节点嵌入则可能削弱结构可解释性和对冷启动场景的适应性。因此，构建一个能够联合建模"局部结构-全局属性"并动态融合二者的框架，对提升链接预测的准确性、鲁棒性和可解释性具有重要意义。
针对上述问题，本文提出了一种用于链接预测的双通道图神经网络框架，称为 HSAGNN。在结构通道中，以目标边的封闭子图为输入，通过 DRNL 和 DE 等结构标注方案对节点特征进行增强 [15], [32], [33]，随后通过集成 GAT 和 GCN 的增强型 DGCNN 编码器提取结构表示 [10], [11], [34]。在属性通道中，使用在全局图上预训练的 Node2Vec 节点嵌入来构建目标节点对的属性表示 [35]。在解码阶段，引入基于注意力的融合机制和双线性交互模块，以实现结构信息与属性信息之间的动态互补和显式交互建模。通过这种设计，HSAGNN 弥合了基于子图的结构建模与全局属性建模之间的差距，同时通过更细粒度的融合策略提高了对不同数据特征的适应性。
综上所述，本文的主要贡献可总结为以下几点：
- 1.
HSAGNN 将封闭子图结构通道与 Node2Vec 语义通道相结合，用于边级链接预测。前者编码经 DRNL 和 DE 增强的局部拓扑，后者提供预训练的图级先验信息。二者共同通过互补的结构上下文和关系相似性表示每条候选边。
- 2.
可学习的门控协调 DRNL 和 DE 分支，以保留互补的位置信息和角色感知线索。注意力融合为每个样本分配结构和语义的重要性权重，双线性交互捕捉二者的依赖关系。二者共同产生了超越固定或简单拼接的边缘特定表示。
- 3.
在六个真实世界数据集上的实验表明，HSAGNN 在四个数据集上取得最佳结果，在其他数据集上仍具有竞争力。消融实验、跳数设置和损失权重分析验证了关键组件的有效性，并表明紧凑的 1 跳子图配合平衡的辅助监督提供了鲁棒的准确性-复杂度权衡。
本文其余部分组织如下。第 2 节介绍问题定义和相关工作，并分析现有方法在结构和属性融合方面的局限性。第 3 节详细介绍所提出的 HSAGNN 模型，包括 DRNL/DE 结构标注、增强型 DGCNN 编码器、属性通道中的特征构建以及融合-解码机制。第 4 节描述实验设置、基线方法和评估指标，并通过对比实验、跳数分析、消融实验和结果讨论进一步验证 HSAGNN 的有效性。第 5 节总结本文，讨论当前框架的局限性，并概述未来可能的研究方向。
章节摘要
经典链接预测方法
一类经典的链接预测器为每个候选对分配一个基于观测拓扑计算的分值 [1], [2], [3]。共同邻居、Adamic–Adar 和资源分配量化局部邻域重叠，而 Katz 指数和局部路径指数聚合不同长度的路径 [16], [36], [37], [38]。基于模体的预测器进一步使用反复出现的高阶子结构作为链接形成的证据 [39]。这些方法高效且可解释，但它们的定制特征
方法论
本文提出 HSAGNN，一种用于链接预测的双通道结构和属性框架。如图 1 所示，HSAGNN 由三个组件构成：结构通道、特征通道和解码器/评分头。结构通道从目标节点对的封闭子图中提取结构表示，而特征通道从预训练的节点嵌入中学习语义表示。解码器随后融合这两类信息并输出
数据集和评估指标
本文在多个公开图数据集上评估 HSAGNN 的有效性。每个数据集的统计信息，包括节点数、边数和特征维度，列于表 1 中。所选数据集包括 Cora、Citeseer 和 Pubmed [60], [61], [62], [63]、美国和巴西 [64], [65]，以及 Amazon 照片共同购买网络。这些数据集及相关基准设置在近期图学习评估中也被广泛采用并开放
结论
本文研究了链接预测中联合利用局部结构证据和全局语义先验的问题，并提出了 HSAGNN，一种双通道结构和属性框架。在结构通道中，每个目标节点对的封闭子图经过 DRNL 和 DE 基础的结构编码增强，所得的两个结构分支通过增强型 DGCNN 编码后经可学习的融合机制进行自适应协调。在特征通道中，
作者贡献声明
黄 Ru：撰写–审阅与编辑，监督，项目管理，方法论，经费获取，概念化。杨明杰：撰写–原稿，验证，软件，方法论，调查研究。周正兵：撰写–审阅与编辑，监督，资源，概念化。陈子健：验证，软件，形式化分析。庄裕东：资源，调查研究，经费获取。何建华：撰写–审阅与编辑。储小丽：撰写–审阅与编辑。
利益冲突声明
作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。
黄 Ru|杨明杰|周正兵|陈子健|庄裕东|何建华|储小丽
