摘要

链接预测（Link Prediction）是机器学习领域的一个经典问题，旨在预测图中两个顶点之间是否存在边（链接）。直观上，若从顶点u到顶点v沿现有边路径的距离较远，则二者之间很可能不存在直接链接，反之亦然。这一直觉启发我们，将距离信息显式地与图神经网络（Graph Neural Networks, GNNs）结合，以提升链接预测性能。然而，在训练过程中计算任意两个顶点之间的距离（如最短路径、随机游走的期望步数等）通常耗时较长。为克服这一挑战，我们提出一种基于锚点（anchor-based）的距离度量方法：首先从图中随机选取K个锚点顶点，随后计算图中所有顶点到这K个锚点的最短距离；顶点u与v之间的距离则通过二者到K个锚点距离的平均值进行估计。随后，将该距离信息输入GNN模块进行处理。该方法在仅引入少量额外参数的前提下，显著提升了链接预测的性能。我们在OGB（Hu et al., 2020）基准数据集上的药物-药物相互作用（Drug-Drug Interaction, DDI）和蛋白质-蛋白质关联（Protein-Protein Association, PPA）任务中均取得了当前最优（state-of-the-art）的结果。相关代码已开源，地址为：https://github.com/lbn187/DLGNN。