摘要

图神经网络（GNNs）已在许多结构化数据领域成功应用，其应用范围从分子性质预测到社交网络分析。受GNN广泛适用性的启发，我们提出了一类所谓的RankGNNs，这是神经学习排序（Learning to Rank, LtR）方法与GNN的结合体。RankGNNs通过一组图之间的成对偏好进行训练，表明其中一个图比另一个更受青睐。这一问题的一个实际应用是药物筛选，专家希望在大量候选药物中找到最有潜力的分子。我们通过实验证明，所提出的成对RankGNN方法要么显著优于或至少与基于点的基线方法的排名性能相当，后者通过基于GNN的图回归解决LtR问题。