Qu'est-ce que la prédiction de liens et quelles architectures utilisent-elles?

La prédiction de liens est une tâche en analyse de graphes, où il faut prédire la probabilité de l'existence d'une arête entre deux nœuds, en se basant sur la structure du graphe et les propriétés des nœuds.

Les principales architectures et approches pour la prédiction de liens :

• Méthodes basées sur les caractéristiques (Feature-based) : utilisent les caractéristiques des nœuds et de leurs voisins, par exemple, les voisins communs, le coefficient de Jaccard.

• Réseaux neuronaux de graphes (Graph Neural Networks, GNN) : entraînent des représentations de nœuds en tenant compte de leur environnement. Architectures populaires :

  • Réseaux convolutifs de graphes (GCN)
  • Réseaux d'attention de graphes (GAT)
  • GraphSAGE

• Modèles basés sur les embeddings : les nœuds sont représentés dans un espace vectoriel, et la connexion est prédite via des opérations sur les vecteurs (par exemple, produit scalaire).

• Modèles probabilistes de graphes : utilisent des modèles probabilistes pour évaluer les liens.

Exemple avec GNN pour la prédiction de liens : d'abord, entraîner une GNN pour obtenir des embeddings de nœuds, puis calculer la probabilité d'une arête entre deux nœuds via une fonction de similarité (par exemple, produit scalaire) et appliquer une sigmoïde pour obtenir la probabilité.