摘要

链接预测是图上的一个非常基础的任务。受传统路径方法的启发，本文提出了一种基于路径的通用且灵活的表示学习框架，用于链接预测。具体而言，我们将节点对的表示定义为所有路径表示的广义和，其中每条路径的表示是该路径中边表示的广义积。借鉴贝尔曼-福特算法解决最短路径问题的思想，我们展示了所提出的路径公式可以通过广义贝尔曼-福特算法高效求解。为了进一步提高路径公式的容量，我们提出了神经贝尔曼-福特网络（Neural Bellman-Ford Network, NBFNet），这是一种通用的图神经网络框架，通过在广义贝尔曼-福特算法中学习操作符来求解路径公式。NBFNet 使用 3 个神经组件参数化了广义贝尔曼-福特算法，即 INDICATOR、MESSAGE 和 AGGREGATE 函数，分别对应边界条件、乘法操作符和加法操作符。NBFNet 非常通用，涵盖了多种传统的基于路径的方法，并且可以应用于同质图和多关系图（例如知识图）中的传导设置和归纳设置。实验结果表明，在同质图和知识图上，所提出的 NBFNet 在传导设置和归纳设置下均显著优于现有方法，取得了新的最佳性能结果。