基于有向超图自适应卷积的链接预测模型

作     者：赵文博 马紫彤 杨哲 

作者机构：苏州大学计算机科学与技术学院 江苏省计算机信息处理技术重点实验室(苏州大学) 

出 版 物：《计算机应用》 (Journal of Computer Applications)

年 卷 期：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 070104[理学-应用数学] 0835[工学-软件工程] 0701[理学-数学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(62272332) 教育部产学合作协同育人项目(220606363154256) 

主　　题：有向超图 链接预测 超图卷积 表示学习 自适应卷积 

摘      要：链接预测作为图学习领域中的典型问题，一直是研究的热点。尽管图神经网络为这一问题提供了多样化的解决方案，但由于普通图的结构限制，目前的模型在充分利用顶点间的高阶及不对称信息方面存在明显的不足。针对以上问题，提出了一种基于有向超图自适应卷积的链接预测模型，首先有向超图结构能够更充分地表示顶点间的高阶信息和方向信息，兼具超图和有向图的优势。其次有向超图自适应卷积采用自适应信息传播方式替代传统有向超图中的定向信息传播方式，从而解决了有向超边尾部顶点不能有效更新嵌入的问题，同时减轻多层卷积导致的顶点过度平滑问题。在Citeseer数据集上基于显式顶点特征的实验结果显示，有向超图自适应卷积模型在链接预测任务上，相较于有向超图神经网络（DHNN）模型的ROC曲线下面积（AUC）指标提升2.23个百分点，平均精度（AP）提升1.31个百分点。因此该模型可以充分表达顶点间的关系，有效提高链接预测任务的准确度。