异质性下的链接预测:一种受物理启发的图神经网络方法
原文中文,约300字,阅读约需1分钟。发表于: 。基于 GRAFF 方法的 GRAFF-LP 扩展能够改善异质图下的链接预测性能,通过在一系列异质图数据集上的评估,相对 AUROC 提升达到最高 26.7%。
本文重新评估了同质性度量,并从后集成节点相似性的角度研究了异质性。提出了一种新的度量方法,并通过 Adaptive Channel Mixing(ACM)框架从多样化的节点异质性情况中提取更丰富的局部信息。经过评估,ACM-augmented 基线在节点分类任务上实现了显着的性能提升。