【CIKM 2019论文】重力启发式图自编码器定向链路预测（Gravity-Inspired Graph Autoencoders for Directed Link Prediction），Guillaume Salha，Stratis Limnios

论文题目： Gravity-Inspired Graph Autoencoders for Directed Link Prediction

论文摘要：

图自编码器(AE)和变分自编码器(VAE)是近年来出现的强有力的节点嵌入方法。特别是利用图AE和VAE成功地解决了具有挑战性的链路预测问题，目的是找出图上的一些节点对是否被未观察到的边所连接。然而，这些模型侧重于无向图，因此忽略了链接的潜在方向，这限制了许多实际应用程序。在本文中，我们扩展了graph AE和VAE框架来解决有向图中的链路预测问题。我们提出了一种新的gravity-inspired的解码器方案，可以有效地从节点嵌入中重建有向图。我们对标准graph AE和VAE表现较差的三种不同定向链路预测任务进行了实证评价。我们在三个真实世界的图上获得了具有竞争力的结果，超过了几个流行的baseline。

论文作者：

Guillaume Salha自2018年10月以来，在巴黎理工学院(Ecole Polytechnique)攻读机器学习博士学位，师从罗曼·亨内昆(Romain Hennequin)和米哈利斯·瓦兹尔贾尼(Michalis Vazirgiannis)。研究兴趣跨越了深度学习和图形挖掘的广泛领域，并应用于音乐推荐。在最近的出版物中，主要关注图表示学习、图自动编码器模型。2016年，毕业于巴黎萨克莱高等师范学院(Ecole Normale Superieure Paris-Saclay)，获得了计算机视觉与机器学习(MVA)硕士学位，在巴黎工程学院(ENSAE ParisTech)获得了工程学硕士学位。

Stratis Limnios是巴黎综合理工学院博士生，目前在巴黎高等理工学院计算机科学实验室，研究兴趣是机器学习，深度学习和图挖掘。

Romain Hennequin目前是Deezer的音乐信息检索工程师。在Deezer之前，在Audionamix工作了3年，工作侧重于声源分离。并且在Bertrand David和Roland Badeau的指导下，在巴黎电信的TSI(信号和图像处理部门)完成了博士学位，工作主要集中在音乐信息检索上，论文主题是分解音乐谱图，使用分解方法中的信号模型(如非负矩阵分解)。