[论文解读] Line Graph Neural Networks for Link Prediction

Lei Cai, Jundong Li+2 more|arXiv (Cornell University)|Oct 20, 2020

Advanced Graph Neural Networks参考文献 39被引用 4

一句话总结

该论文提出线图神经网络（LGLP）用于链接预测，通过将原始图转换为线图，使每条边变为一个节点，从而在无需图池化的情况下，通过节点分类实现对链接特征的直接学习。该方法在14个多样化数据集上优于SOTA模型SEAL，参数更少、收敛更快，且AUC和AP指标更高。

ABSTRACT

We consider the graph link prediction task, which is a classic graph analytical problem with many real-world applications. With the advances of deep learning, current link prediction methods commonly compute features from subgraphs centered at two neighboring nodes and use the features to predict the label of the link between these two nodes. In this formalism, a link prediction problem is converted to a graph classification task. In order to extract fixed-size features for classification, graph pooling layers are necessary in the deep learning model, thereby incurring information loss. To overcome this key limitation, we propose to seek a radically different and novel path by making use of the line graphs in graph theory. In particular, each node in a line graph corresponds to a unique edge in the original graph. Therefore, link prediction problems in the original graph can be equivalently solved as a node classification problem in its corresponding line graph, instead of a graph classification task. Experimental results on fourteen datasets from different applications demonstrate that our proposed method consistently outperforms the state-of-the-art methods, while it has fewer parameters and high training efficiency.

研究动机与目标

• 解决现有基于深度学习的链接预测模型中图池化层引起的信息损失问题。
• 克服人工设计的启发式方法在不同图类型间缺乏泛化能力的局限性。
• 提出一种新框架，将链接预测重新表述为线图中的节点分类问题，以实现对链接的直接、高效特征学习。
• 通过消除对图池化的依赖，在保持高预测性能的同时，提升训练效率和模型泛化能力。

提出的方法

• 将原始图转换为其对应的线图，其中线图中的每个节点代表原始图中的一条边。
• 使用节点标记函数为包围子图中的节点分配结构重要性评分，以增强特征表示。
• 直接在线图上应用图卷积网络（GCNs），以学习表示原始边的节点嵌入。
• 将在线图中学习到的嵌入作为预测链接存在的特征，将链接预测视为节点分类任务。
• 通过将节点属性与线图中的节点标签拼接，实现对属性图的性能支持。
• 使用交叉熵损失端到端训练模型，以优化链接预测性能。

实验结果

研究问题

• RQ1 将链接预测重新表述为线图中的节点分类问题，能否消除图池化层引起的信息损失？
• RQ2 所提出的线图神经网络框架在多样化的真实世界数据集上是否优于SOTA模型SEAL？
• RQ3 在低数据设置下（如仅使用50%的训练链接），该方法表现如何？
• RQ4 该模型在纯图和属性图上是否均能保持高性能，而不会出现显著性能下降？
• RQ5 与依赖图池化层的模型相比，该方法的训练收敛速度如何？

主要发现

• 所提出的LGLP模型在14个多样化数据集上，AUC和AP指标均优于所有基线方法，包括SEAL。
• 在Cora数据集上仅使用50%训练链接时，LGLP的AUC为81.45，AP为81.99，显著优于SEAL的AUC 75.33和AP 77.69。
• 仅使用50%训练链接时，LGLP的AUC和AP值接近使用80%训练数据时的水平，表明其在低数据设置下具有强大的泛化能力。
• 该模型在10–15个周期内完成收敛，而SEAL需要50个周期，表明其训练速度显著更快，且参数量更少。
• 在属性图（如Cora）上，LGLP保持了稳定的性能，而SEAL在引入节点属性后性能明显下降。
• 线图转换有效保留了拓扑信息，使GCNs能够在无池化操作的情况下学习到高质量的边表示。