.png){kind=icon}
返回
Research on Link Prediction Algorithms Based on Graph Machine Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-5164-4_3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种基于图机器学习的链路预测算法的混合优化框架，通过整合子图表示学习和动态粗化策略来克服传统方法的不足。首先，通过提取目标节点对的局部子图（如2跳邻域），构建两层邻域聚合模型，并融合节点属性和拓扑距离标签以增强局部上下文信息的表达能力。其次，为解决子图学习中节点高重复性导致的过平滑问题，提出了一种注意力驱动和结构增强的粗化策略，并结合三元闭包结构增强策略，通过迭代合并高相似度节点构建虚拟节点以压缩子图规模，从而在降低计算复杂度的同时增强模型对关键拓扑模式的敏感度。实验结果表明，改进后的模型在Cora和Cora指数上均实现了预测精度的提升，并取得了显著的优化效果。
Keyword:
Graph machine learning
subgraph representation learning
link prediction
GCN model
subgraph coarsening
期刊
M
IF:
0
论文数:
5
被引数:
0
机构
引用论文
分享收藏
The use of the area under the roc curve in the evaluation of machine learning algorithmsroc曲线下面积在机器学习算法评价中的应用.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏分享收藏
查看更多内容