الوصف
SEAL، وهو اختصار لـ 'التعلم من الرسوم البيانية الفرعية، والتضمينات، والسمات للتنبؤ بالروابط' (learning from Subgraphs, Embeddings, and Attributes for Link prediction)، هو إطار عمل متطور مصمم لمعالجة تحدي التنبؤ بالروابط في البيانات المستندة إلى الرسوم البيانية. يعيد صياغة التنبؤ بالروابط بشكل مبتكر كمشكلة تصنيف للرسوم البيانية الفرعية، مما يسمح بفهم أكثر شمولاً للعلاقات داخل الرسم البياني.
تتضمن المنهجية الأساسية لـ SEAL عدة خطوات رئيسية. لأي رابط مستهدف معين، يقوم الإطار أولاً باستخلاص 'الرسم البياني الفرعي المحيط بـ h-hop' الخاص به. يلتقط هذا الرسم البياني الفرعي السياق الهيكلي المحلي المحيط بالرابط المحتمل. في الوقت نفسه، يقوم SEAL بإنشاء مصفوفة معلومات العقد، والتي يُشار إليها بـ X. هذه المصفوفة غنية بالمعلومات، وتتضمن تسميات العقد الهيكلية، والتضمينات الكامنة المشتقة من خصائص الرسم البياني، وأي سمات صريحة مرتبطة بالعقد.
بمجرد إعداد الرسم البياني الفرعي (A) ومصفوفة معلومات العقد (X)، يقوم SEAL بإدخال هذه البيانات المجمعة إلى شبكة عصبية بيانية (GNN). يتم تدريب GNN لتصنيف وجود الرابط. يتيح هذا النهج لـ SEAL التعلم بفعالية من مصدرين حاسمين للمعلومات: البنية الهيكلية المتأصلة التي يوفرها الرسم البياني الفرعي (A) والمعلومات الغنية للميزات الموجودة داخل مصفوفة العقد (X). هذا التعلم المتزامن من البيانات الهيكلية والمستندة إلى الميزات هو قوة أساسية لإطار عمل SEAL.
يوفر SEAL المرونة في تنفيذه، مع توفر إصدارات في كل من MATLAB و Python. تم استخدام إصدار MATLAB لتوليد النتائج التجريبية المقدمة في الورقة الأصلية ويتضمن رمز التقييم للطرق الأساسية. يُلاحظ تنفيذ Python لمرونته وقابليته للتوسع المحسّنة. علاوة على ذلك، يتوفر تنفيذ PyTorch Geometric، والذي تم اختباره على مجموعات بيانات OGB (Open Graph Benchmark) ويدعم مجموعات بيانات Planetoid مثل Cora و CiteSeer، بالإضافة إلى مجموعات بيانات PyTorch Geometric المخصصة.
جانب مهم من SEAL هو قدرته على الأداء بفعالية حتى بدون تضمينات أو سمات عقد صريحة. في العديد من سيناريوهات الشبكة، يمكن لـ SEAL تحقيق أداء تنبؤي قوي من خلال الاستفادة من الهياكل البيانية البحتة. يقر تصميم الإطار بأنه في بعض الحالات، قد يؤثر تضمين التضمينات سلبًا على الأداء. عند استبعاد تضمينات العقد من X، يعمل SEAL كنموذج تنبؤ استقرائي للروابط، قادر على التعميم على العقد أو الرسوم البيانية غير المرئية.
أبرز ملامح SEAL Link Prediction
يحول التنبؤ بالروابط إلى مشكلة تصنيف للرسوم البيانية الفرعية
يستخلص الرسوم البيانية الفرعية المحيطة بـ h-hop للسياق المحلي
ينشئ مصفوفات معلومات العقد مع تسميات هيكلية وتضمينات وسمات
يستخدم الشبكات العصبية البيانية (GNNs) لتصنيف الروابط
يتعلم في وقت واحد من بنية الرسم البياني وميزات العقد
متوفر في تطبيقات MATLAB و Python
يدعم مجموعات بيانات OGB (Open Graph Benchmark)
يمكنه إجراء تنبؤ استقرائي للروابط بدون تضمينات العقد
يقيم الطرق الأساسية
يوفر المرونة وقابلية التوسع في إصدار Python
البدء مع SEAL Link Prediction
الوصول إلى النموذج: احصل على كود SEAL من مستودع GitHub.
إعداد البيئة: قم بتثبيت التبعيات اللازمة لـ MATLAB أو Python.
إعداد البيانات: قم بتنسيق بيانات الرسم البياني الخاص بك وسمات/تضمينات العقد.
استخلاص الرسوم البيانية الفرعية: قم بتكوين معلمة h-hop لاستخلاص الرسوم البيانية الفرعية.
تدريب النموذج: أدخل الرسوم البيانية الفرعية المستخلصة ومصفوفات معلومات العقد إلى GNN.
التنبؤ بالروابط: استخدم النموذج المدرب للتنبؤ بوجود الروابط.
تقييم الأداء: قم بتقييم دقة النموذج باستخدام رمز التقييم المقدم.
حالات استخدام SEAL Link Prediction
- تحليل الشبكات الاجتماعية
- أنظمة التوصية
- التنبؤ بالشبكات البيولوجية
- إكمال الرسوم البيانية المعرفية
- كشف الاحتيال
- اكتشاف الأدوية
