複雑なデータを表現する人気のある抽象化であるグラフについて述べられています。Graph Neural Networks(GNNs)は、これらの離散的な組合せオブジェクトとその構成部分を数値表現にマッピングする効果的手段を提供します。主要な直感は、近くのノードからメッセージを集約し、同じ隣接ノードへメッセージを伝播させる反復プロセスによってノードベクトル表現(埋め込み)を計算することです。
動的多関係グラフ上でドメイン外リンク予測問題が形式化されました。既存文献では、多関係グラフ用のGNNが主にドメイン内タスク向けに設計されており、ドメイン外問題へ効果的に一般化できません。
GOODは2つの主要コンポーネントから成ります:GNNRelとMixAGG。前者はコンテキスト固有のノード埋め込みを構築し、後者はそれら全体を集約します。混合係数(Q)や混合方法(Aggsum, Aggstack)も重要です。
ST1, ST2, ST3, CS1, CS2データセットで性能比較が行われました。GOODはROC-AUC指標で他の文献から引用したすべてのモデルよりも優れたパフォーマンスを示しました。MMGCNやRGCNなど他の手法よりも優れた結果が得られました。
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문