基于GMAE框架的图变分自编码器的链路预测模型研究

摘要

链路预测是复杂网络中重要的研究内容,它是在给定网络中利用已有的各种信息来预测尚不存在连边的两个节点发生链接的可能性,在社会网络中的朋友推荐系统有广泛应用。近年来,图神经网络在链路预测任务上取得了很好的效果。但是,由于图卷积层带来了过平滑问题,只能关注到节点的局部性信息。为此,本文针对复杂网络提出了图掩码编码器(Graph Masked AutoEncoders,GMAE)技术,可以关注到更大范围的信息,重建掩码节点的特征,并将重建特征输入到自动编码器,重构网络。通过实验证明,GMAE聚合全局节点信息生成特征的方式在自动编码器的重建下重构的网络更接近原始网络,能够在下游链路预测任务上取得先进性能。