چارچوب پیش بینی پیوند با استفاده از شبکه عصبی گرافی مبتنی بر زیرگراف

Abstract

پیش‌بینی پیوند یکی از موضوع‌های مهم در تجزیه و تحلیل شبکه‌های پیچیده 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 شبکه عصبی گرافی خواهد بود. در این مقاله، یک روش حل مسئله پیش‌بینی پیوند مبتنی بر شبکه عصبی گرافی به نام ‌GAE (Graph Auto Encoder) ‌به‌عنوان روش‌ پایه در نظر گرفته شده است. یکی از مشکل‌های اساسی در این روش‌ آن است که بردار ویژگی استخراج شده توسط شبکه عصبی گرافی 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 (Sub-Graph Auto Encoder) پیشنهاد شده است. چارچوب‌ پیشنهادی بر اساس معیارهای مختلف ارزیابی و با روش‌ پایه‌ مقایسه شده‌است که نتایج نشان‌دهنده‌ی بهبود عملکرد آن‌ است. ‌به‌طور مثال روش SGAE ‌به‌طور 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.