SEAL（从子图、嵌入和属性中学习进行链接预测）。"M. Zhang、Y. Chen，《基于图神经网络的链接预测》，NeurIPS 2018
SEAL（从子图、嵌入和属性中学习进行链接预测）。"M. Zhang、Y. Chen，《基于图神经网络的链接预测》，NeurIPS 2018
SEAL -- 从子图、嵌入和属性中学习进行链接预测
SEAL（从子图、嵌入和属性中学习进行链接预测）是一种新的链接预测框架，它将链接预测系统化地转化为子图分类问题。对于每个目标链接，SEAL 都会提取其 h 级包含子图 A，并构建其节点信息矩阵 X（包含结构化节点标签、潜在嵌入和节点的显式属性）。然后，SEAL 将 (A, X) 传递给图 神经网络（GNN），以对链接的存在进行分类，从而可以同时从 A 中的图结构特征和 X 中的潜在/显式特征中学习进行链接预测。
如需更多信息,请查看我们的论文: > M. Zhang 和 Y. Chen, 基于图神经网络的链接预测, 神经信息处理系统进展 (NIPS-18)。[PDF]
还有一个 PyTorch Geometric 实现 这里,它在开放图形基准测试 (OGB) 数据集上测试了 SEAL。它还支持 Planetoid 数据集，如 Cora 和 CiteSeer，以及自定义的 Pytorch Geometric 数据集。
如果您发现代码很有用，请参考我们的论文：
暂无开放 Issues，或尚未同步最近议题。