图神经网络多节点任务中的标记技巧优化

摘要

本文研究了使用图神经网络（GNNs）进行多节点表示学习的问题，即学习包含多个节点（如链接）的集合表示。现有GNN主要设计用于学习单节点表示。当用于多节点表示学习时，常见做法是直接聚合GNN获得的单节点表示。本文揭示了这种方法的根本局限性：无法捕捉节点集中多个节点间的依赖关系。

提出了一种直观解决方案：将目标节点与其他节点区分开来。通过形式化这一思路，提出了标记技巧：在应用GNN之前，先根据节点与目标节点集的关系对图中节点进行标记，然后在标记图中聚合获得的节点表示来生成多节点表示。除了图中的节点集，还将标记技巧推广到偏序集、子集和超图。

实验证明，标记技巧可以提升GNN在多种任务中的表现，包括无向链接预测、有向链接预测、超边预测和子图预测。该工作解释了先前基于节点标记方法的优越性能，并为使用GNN进行多节点表示学习奠定了理论基础。