[KDD | 论文简读] 使用图神经网络进行基序预测

简读分享 | 龙文韬 编辑 | 龙文韬

论文题目

Motif Prediction with Graph Neural Networks

论文摘要

链接预测是图挖掘的核心问题之一。最近的研究强调了高阶网络分析的重要性，其中称为基序的复杂结构是第一要务。本文首先表明，现有的链接预测方案无法有效地预测基序。为了缓解这种情况，本文建立了一个一般的基序预测问题，并提出了几种启发式方法来评估特定主题出现的机会。为了使分数逼真，本文的启发式方法考虑了链接之间的相关性，即某些到达链接对给定主题中其他链接外观的潜在影响。最后，为了获得最高精度，本文开发了一种用于基序预测的图形神经网络（GNN）架构。本文的架构提供顶点特征和采样方案，可捕获图案的丰富结构特性。虽然我们的启发式方法速度很快，不需要任何训练，但GNN确保了预测基序的最高准确性，无论是密集的（例如，k-cliques）还是稀疏的（例如，k-stars）。本模型始终以平均超过10%的优势优于最佳竞争对手，在曲线下面积上领先于最佳竞争对手高达32%。更重要的是，与基于不相关链路预测的方案相比，本文的方法的优势随着基序大小和复杂性的增加而增加。还成功地应用了本文的架构来预测更任意的聚类和社区，这说明了它超越了主题分析的在图谱挖掘之外的潜力。

论文链接

https://doi.org/10.1145/3534678.3539343