[图神经网络论文]:Link Prediction Based on Graph Neural Networks

传统link prediction算法

经典算法

现有的启发式可以根据计算分数所需的邻居的最大跳数(k-hop)进行分类
例如:

one-hop

• Common Neighbors 算法基于这样一个假设，即两个节点共有的邻居数量越多，它们之间存在链接的可能性就越大:$$\mathrm{CN}(u,v)=|\Gamma (u)\cap \Gamma (v)|$$其中，$\Gamma (v)$表示节点v的邻居
• Preferential Attachment算法基于“富者更富”或“优先连接”的概念，即流行的节点(即邻居数量多的节点)更有可能在未来获得更多的链接。这个想法来源于无标度网络的成长模型，其中一些节点因为具有较高的连接度而更容易吸引新的连接:$$\mathrm{PA}(u,v)=|\Gamma (u)|\times |\Gamma (v)|$$

two-hop

• Adamic-Adar:Adamic-Adar算法基于这样一个假设，即不是所有的共享邻居都同等重要。具体来说，如果一个共享邻居与很多其他节点相连(即度较高)，那么它对于链接预测的贡献应该比度较低的邻居小。因此，AA算法倾向于给那些连接度较低的共享邻居更高的权重。$$\mathrm{AA}(u,v)=\sum _{z\in \Gamma (u)\cap \Gamma (v)}\frac{1}{\overline{\log |\Gamma (z)|}}$$
• Resource Allocation:Resource Allocation算法受到物理学中的资源分配过程的启发。在这个模型中，每个节点都被视为有一定资源的实体，这些资源可以通过它们的共享邻居进行分配。如果两个节点通过共享邻居接收到更多的资源，那么它们之间存在链接的可能性就更大。RA算法假设资源的分配是均等的，不同于AA算法中对低度节点的偏好。$$\mathrm{RA}(u,v)=\sum _{z\in \Gamma (u)\cap \Gamma (v)}\frac{1}{|\Gamma (z)|}$$

k-hop

• PageRank
• Katz index
• SimRank

缺陷

启发式方法对何时可能存在链接有很强的假设:由于启发式算法可以看作是预先定义的图结构特征
例如，公共邻居启发式假设如果两个节点有许多公共邻居，则它们更有可能连接。这种假设在社交网络中可能是正确的，但是在交通和物流网络中，两个节点之间的连接可能更多地受到地理距离和交通便利性的影响，而与它们共享的其他节点数量关系不大。在这类网络中，基于距离和流量优化的算法可能比传统启发式算法更有效。

γ-decaying heuristic

封闭子图 enclosing graph

对于图$G=(V，$