新的MGLP方法通过多粒度定位增强图链接预测

研究人员开发了一种名为“多粒度图位置嵌入用于链接预测”（MGLP）的新方法。该技术旨在通过捕获图结构内的多粒度位置信息来提高链接预测的准确性。MGLP引入了一种自适应粒度球图细化机制来创建最优子域和一个分层中心图。新颖的多粒度分层距离编码机制通过考虑图内同质结构及其分层相关性，进一步增强了节点的区分能力。实验表明，MGLP的性能优于现有的基线算法。 AI

影响 这项研究可能有助于提高网络分析和基于图的机器学习任务的预测准确性。

排序理由 该条目是一篇学术论文，详细介绍了一种新的图链接预测方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Adaptive Granular-Ball Graph Refinement
• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hierarchical Central Graph
• Hugging Face
• Multi-granularity Hierarchical Distance
• Multi-Granularity Position Embedding of Graphs via Granular-Ball for Link Prediction
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →