摘要

图上的链接预测是一个基础性问题。子图表示学习方法（Subgraph Representation Learning, SGRL）通过将链接预测转化为对链接周围子图的图分类任务，在链接预测任务中取得了当前最优的性能。然而，SGRL方法在计算上开销较大，由于其依赖复杂的子图级操作，难以扩展到大规模图数据。为突破SGRL的可扩展性瓶颈，本文提出一类新型SGRL方法，称为可扩展简化子图表示学习（Scalable Simplified SGRL，简称S3GRL）。S3GRL旨在实现更快的训练与推理速度，通过简化每个链接子图中的消息传递与聚合操作，显著降低计算复杂度。作为一种可扩展性框架，S3GRL兼容多种子图采样策略与扩散算子，能够有效模拟计算开销较高的传统SGRL方法。本文提出了多个S3GRL的具体实例，并在中小规模至大规模图数据上进行了充分的实验验证。大量实验结果表明，所提出的S3GRL模型在显著降低计算开销（例如实现数倍的推理与训练加速）的同时，能够有效保持甚至在某些情况下提升原始SGRL的性能，实现了性能与效率的双赢。