用于在不完整图中进行搜索的鲁棒神经模型

《ACM Transactions on Intelligent Systems and Technology》：Robust Neural Model for Searching over Incomplete Graphs

处理大关键词图搜索的图神经网络方法，结合全局、局部、调整和语义特征，通过微调Transformer模型有效聚合图特征，解决NP难问题并提升缺失信息场景下的鲁棒性。

　　

摘要

在大型关键词图中进行搜索的任务旨在识别一个子图，该子图中的节点共同覆盖了输入的查询关键词。尽管找到这个问题的精确解属于NP难问题，但我们通过提出一种专为包含缺失信息的图设计的新型图神经网络表示学习技术来解决它。我们提出了一种新的关键词图表示学习方法，该方法结合了图的多个方面：全局性、局部性、调整性和特征语义。考虑到这些多个方面，我们的方法在面对缺失信息时仍然具有鲁棒性和适应性。我们采用并微调了一个基于Transformer的模型来聚合图的各种特征，以生成丰富的表示，同时认识到关键词在此任务中的关键作用。通过针对真实世界数据的实验，我们证明了我们的方法优于现有的最先进方法，并且在处理缺失值时表现出特别的鲁棒性，这突显了其有效处理不完整图的能力。