摘要

图表示学习的目标是将图中的每个顶点嵌入到低维向量空间中。现有的图表示学习方法可以分为两类：生成模型，该类模型学习图中潜在的连通性分布；判别模型，该类模型预测一对顶点之间存在边的概率。在本文中，我们提出了GraphGAN，这是一种创新的图表示学习框架，统一了上述两类方法，在该框架中生成模型和判别模型进行博弈论意义上的极小极大游戏。具体而言，对于给定的顶点，生成模型试图拟合其在所有其他顶点上的真实连通性分布，并生成“假”样本以欺骗判别模型；而判别模型则试图检测采样的顶点是否来自真实数据还是由生成模型生成。通过这两类模型之间的竞争，它们可以交替且迭代地提升性能。此外，在考虑生成模型的实现时，我们提出了一种新的图softmax（graph softmax）来克服传统softmax函数的局限性，该方法被证明具有归一化、图结构感知和计算效率高等优良特性。通过在现实世界数据集上进行广泛的实验，我们展示了GraphGAN在多种应用中相对于现有最先进基线方法取得了显著的改进，包括链接预测、节点分类和推荐系统。