چارچوب پیش‌بینی پیوند با استفاده از شبکه عصبی گرافی مبتنی بر زیرگراف

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده مهندسی برق و کامپیوتر، دانشگاه کاشان، کاشان، ایران

چکیده

پیش‌بینی پیوند یکی از موضوع‌های مهم در تجزیه و تحلیل شبکه است. پیش‌بینی پیوند می‌تواند توسط یک رده‌بند انجام شود به‌طوری‌که بردار ویژگی یک جفت گره، ورودی آن باشد. خروجی رده‌بند نشان می‌دهد که آیا میان آن جفت گره پیوندی پیش‌بینی می‌شود یا خیر (رده یک یا رده صفر). برای استخراج بردار ویژگی یک جفت گره می‌توان از شبکه‌های عصبی گرافی (GNN) استفاده نمود که در اینصورت روش حل مسئله پیش‌بینی پیوند مبتنی بر GNN خواهد بود. در این مقاله، یک روش حل مسئله پیش‌بینی پیوند مبتنی بر GNN به نام ‌GAE به عنوان روش‌ پایه در نظر گرفته شده است. یکی از مشکلات اساسی در این روش‌ آن است که بردار ویژگی استخراج شده توسط GNN به ازای جفت گره‌های متفاوت، می‌تواند یکسان باشد. برای رفع این مشکل، در این مقاله با استفاده از مفهوم زیرگراف روش پایه بهبود داده شده و چارچوب جدیدی با نام‌ SGAE پیشنهاد شده است. چارچوب‌ پیشنهادی بر اساس معیارهای مختلف ارزیابی با روش‌های پایه‌ مقایسه شده‌اند که بهبود عملکرد آن‌ را نشان می‌دهد. به طور مثال روش SGAE به طور متوسط نسبت به روش پایه GAE در معیارهای دقت، F1-Score، متوسط صحت و مساحت زیر نمودار صحت-فراخوانی، بهبود 5.5، 5، 5.75 و 5.87 را ایجاد کرده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Link prediction framework using graph neural network based on subgraph

نویسندگان [English]

  • Seyed Mehdi Vahidipour
  • Reyhane Karami
Electrical and Computer Engineering Department, University of Kashan, Kashan, Iran
چکیده [English]

Link prediction is one of the important topics in network analysis. Link prediction can be done by a classifier such that the feature vector of a pair of nodes is its input. The output of the classifier indicates whether a link is predicted between that pair of nodes (class one or class zero). To extract the feature vector of a pair of nodes, neural networks (GNN) can be used, in which case the method of solving the link prediction problem will be based on GNN. In this paper, a GNN-based link prediction problem solving method called GAE is considered as the basic method. One of the basic problems in this method is that the feature vector extracted by GNN can be the same for different pairs of nodes. To solve this problem, in this paper, using the concept of subgraph, the basic method is improved and a new framework called SGAE is proposed. The proposed framework has been compared with the basic methods based on different evaluation criteria, which shows its improved performance. For example, the SGAE method has improved 5.5, 5, 5.75 and 5.87 compared to the basic GAE method in terms of accuracy, F1-Score, average precision and area under the precision-recall curve.

کلیدواژه‌ها [English]

  • complex networks
  • Graph Neural Networks
  • link prediction
  • classification
  • subgraph
  • Graph Representation Learning