KDD 2020 开源论文 | GPT-GNN：图神经网络的生成式预训练

论文标题： GPT-GNN: Generative Pre-Training of Graph Neural Networks

论文链接： https://arxiv.org/abs/2006.15437

代码链接： https://github.com/acbull/GPT-GNN

PPT:  https://acbull.github.io/pdf/gpt.pptx

简介

本文研究如何利用图生成作为自监督任务来预训练 GNN。 我们将图的生成概率分解成两个模块：1）节点特征生成；2）图结构生成。通过对这两个模块建模，GPT-GNN 可以捕捉图任 务里特征与结构之间的关联，从而不需要很多的标注数据就可达到很高的泛化性能。

背景：预训练

机器学习的成功很大程度上取决于数据。但是，高质量的标记数据通常很昂贵且难以获得，尤其是对于希望训练参数较多的模型。而相对应的，我们却可以很容易地获取大量的无标记数据，其数量可以是标记数据的数千倍。 

例如，在社交网络上进行异常检测时，恶意帐户的标注需要依赖于专家知识，数量较小，而整个网络的规模却可以达到十亿规模。

为了解决标注数据较少，尽可能利用其无标注数据，一个常规的做法是自监督的预训练（self-supervised pre-training）。其目标是设计合理的自监督任务，从而使模型能从无标注数据里学得数据的信息，作为初始化迁移到下游任务中。由于目标任务中很多的知识已经在预训练中学到，因此通过预训练，我们只需要非常少量的标注数据，就能得到较好的泛化性能。

在 NLP 领域，BERT 及其变种的取得了巨大的成功，证明了语言模型作为一个自监督任务，可以帮助训练非常深的 Transformer 模型，以捕捉语言的底层知识，如语法、句法、词义等。

同样，在 CV 领域，最近的工作如 SimCLR 也显示出通过对比学习（Contrastive Learning）对 ResNet 进行预训练也可以显著提升泛化性能。这些成功表明，无标注数据本身包含丰富的语义知识，因此如果通过预训练可以使模型能捕捉无标注数据的分布，就能作为初始化帮助一系列下游任务。

受到这些工作的启发，我们思考能否将预训练的想法运用到图数据分析中。本工作就致力于预训练图神经网络，以期 GNN 能够学习到图数据的结构和特征信息，从而能帮助标注数据较少的下游任务。

GPT-GNN模型

要在图数据上做预训练，第一个问题是：如何设计合适的无监督学习任务？

本工作提出用生成模型来对图分布进行建模，即逐步预测出一个图中一个新节点会有哪些特征、会和图中哪些节点相连。

由于我们想同时捕获属性和结构信息，因此需要将每个节点的条件生成概率分解为两项，特征生成与图结构生成。对每一个节点，我们会先掩盖其特征及部分边，仅提供剩下的部分作为已经观测到的边。

在第一步中，我们将通过已经观测到的边，预测该节点的特征，

在第二步中，我们将通过已经观测到的边，以及预测出的特征，来预测剩下的边。

我们可以写出对应的分解表达式。从理论上，这个目标的期望等同于整个图的生成概率。

为了并行高效地计算每个节点的 loss，避免信息泄露（如节点特征预测的时候如何避免看到该节点自己的输入特征），以及处理大图和增加负样本采样的准确性，我们做了很多的模型设计。详见文章。

实验

我们在两个大规模异构网络和一个同构网络上进行了实验。

第一个异构图是 Microsoft Academic Graph（OAG），其中包含超过 2 亿个节点和 23 亿条边。另一个是 Amazon Recommendation 数据集。

总体而言，我们提出的 GPT-GNN 在不同的实验设定下显著提高下游任务的性能，平均能达到 9.1％ 的性能提升，且优于其他图预训练的方法。

我们还评估了在不同百分比的标记数据下，GPT-GNN 是否依然能取得提升。我们可以看到，使用 GPT 预训练时，仅使用 20％ 标签数据的模型性能就会比使用 100％ 数据进行直接监督学习的模型性能更高。这显示了预训练的有效性，尤其是在标签稀缺时。

更多阅读

:mag:

现在，在 「知乎」 也能找到我们了

进入知乎首页搜索 「PaperWeekly」

点击 「关注」 订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击 「交流群」 ，小助手将把你带入 PaperWeekly 的交流群里。