论文分享-Pairwise Learning for Neural Link Prediction(自研对比学习LP框架)

摘要 对比学习链路预测框架PLNLP,由四个主要部分组成,即邻域编码器、链路预测器、负采样器和目标函数。 任何通用图神经卷积,如GCN[Kipf and Welling,2016a]和SAGE[Hamilton et al.,2017],或链接预测特定的神经架构,如SEAL[Zhang and Chen,2018]、NANs[Wang et al.、2020]和HalpNet[Wang等人,2021],都可以用作邻域编码器 对于链接预测器,我们设计了不同的评分函数,可以根据不同类型的图进行选择。 在负采样...

Continue Reading »
分享到:

链路预测中精度、召回率、F值的学习记录

在机器学习领域有最常见的三个指标:精度(Precision)、召回率(Recall)、F值(F-Measure)。 那么,这三个指标实际怎么用呢? 假设我们有某指标(如CN),计算出来的节点对相似性 > 0 >0 的边,用res表示。 而实际缺失的测试集的边用gr表示。 res和gr是是两个数组,类似于如下的格式。 res = [(1,3),(2,3)] gr = [(1,3),(1,2)] 好的,我们就举个例子。 那么,预测正确的是几个呢? 显然是1个,[(1,3)]。 也就是: co = len(se...

Continue Reading »
分享到: