Predição de Link em Grafos de Arestas Textuais

Grafos de Arestas Textuais (TEGs), caracterizados por ricas anotações textuais nas arestas, são cada vez mais significativos na ciência de redes devido à sua capacidade de capturar ricas informações contextuais entre entidades. Trabalhos existentes propuseram várias redes neurais gráficas (GNNs) sensíveis a arestas ou deixaram modelos de linguagem fazer previsões diretamente. No entanto, frequentemente não conseguem capturar completamente a semântica contextualizada nas arestas e a topologia do grafo, respectivamente. Essa inadequação é particularmente evidente em tarefas de predição de link que exigem uma compreensão abrangente da topologia do grafo e da semântica entre os nós. Neste artigo, apresentamos uma nova estrutura - Link2Doc, projetada especialmente para predição de links em grafos de arestas textuais. Especificamente, propomos resumir as informações de vizinhança entre pares de nós como um documento escrito por humanos para preservar tanto a informação semântica quanto a topológica. Um modelo de aprendizado auto-supervisionado é então utilizado para aprimorar a capacidade de entendimento de texto da GNN a partir de modelos de linguagem. Avaliações empíricas, incluindo predição de links, classificação de arestas, análise de parâmetros, comparação de tempo de execução e estudos de ablação, em quatro conjuntos de dados do mundo real demonstram que o Link2Doc alcança desempenho geralmente melhor em comparação com as GNNs sensíveis a arestas existentes e modelos de linguagem pré-treinados na predição de links em TEGs.