一种近似图神经网络框架的无监督链路预测算法OA北大核心CSTPCD

对于无标签网络,由于基于图神经网络的链路预测方法使用其高效建模机制进行链路预测任务时性能较差,因此,提出了一种近似图神经网络框架的无监督链路预测算法(ALIP),旨在模拟图神经网络算法的高效建模机制和学习过程,解决网络节点标签缺失导致的建模不充分问题。首先,参照GCN的输入层,融合网络的结构信息和节点属性;其次,使用矩阵分解替代GCN的隐藏层,模拟正向传播;再次,借鉴恒等映射和高阶近邻的思想实现向量转化和模型优化,从而得出网络节点表示向量,该过程模拟GCN的反向传播;最后,计算相似度矩阵,进行链路预测任务性能评测。在Citeseer数据集、DBLP数据集和Cora数据集上的实验结果表明:所提ALIP算法AUC值最高为98.01%,其性能优于其他23种链路预测算法,证明了该算法的有效性和可行性,同时也为无标签的复杂网络链路预测任务提供了一种新的解决方案。