摘要

图神经网络通过联合利用图的拓扑结构与节点属性，在链接预测任务中取得了高精度。然而，现有方法对拓扑结构的表示通常是间接的：当前最先进的子图分类方法通过为节点标注其与目标链接的距离来编码拓扑信息，尽管这种信息被保留下来，但经过池化操作后被弱化，导致难以有效利用与网络生成机制相关的特征，如环路（loops）和图元（motifs）等。为此，我们提出了一种基于新型池化机制——WalkPool的链接预测算法。WalkPool将拓扑启发式方法的表达能力与神经网络的特征学习能力相结合，通过邻近路径的随机游走概率来总结潜在链接的特征。与传统方法从原始图中提取转移概率不同，WalkPool通过注意力机制对学习到的节点特征进行建模，构建一个“预测性”的潜在图的转移矩阵，这一过程可被解释为具有特征敏感性的拓扑指纹（topology fingerprinting）。WalkPool既可利用无监督节点特征，也可与图神经网络（GNN）结合，并实现端到端训练。在各类主流链接预测基准测试中，无论是在同质性（homophilic）还是异质性（heterophilic）网络中，有无节点属性的情况下，WalkPool均显著优于当前最先进的方法。将WalkPool应用于一组无监督GNN时，预测精度得到显著提升，表明其具备作为通用图池化方案的潜力。