1. Background & Motivation
早期链路预测任务关注节点相似性的度量，近年来往往通过图嵌入方法来实现链路预测。有些图嵌入方法只能捕获图结构信息，能捕获attributes信息的大多关注transductive范式（两个节点都在训练时就存在于图中）。
可以做inductive链路预测，但是需要边的模型：SDNE3（只能捕获图结构信息）和GraphSAGE4。
G2G5：可以对没有局部结构的新节点做inductive链路预测，但无法区分特征相似的节点，因为它无法很好地捕获节点表征中体现的结构信息。
2. DEAL模型
在视频中的画法，换了个方向：
2.1 Attribute-oriented Encoder
输入是节点attributes，输出节点嵌入：
可以选择各种神经网络，本文直接用了MLP（激活函数是ELU）：
（这里论文对没用GCN的解释是：经实验观察，聚合太多邻居信息会影响attributes表征效果。我的迷惑点在于，这他妈的在inductive场景下不是不能用GCN吗！）
2.2 Structure-oriented Encoder
用节点独热编码作为输入，得到节点嵌入：
就是说这个本来也可以用GCN（以邻接矩阵为输入），但是实验证明效果不如本文提出的方法。
2.3 对齐机制和模型训练
模型训练时2个encoder一起更新参数，在向量空间对齐表征。
2.3.1 损失函数
ranking-motivated loss（证明其效果的参考文献：5和Content-based citation recommendation）
本文提出了一个新的mini-batch learning method with a personalized ranking-motivated loss
contrastive loss6：
（公式中p-q是成对样本，共有k对）
直接使用contrastive loss的问题是：1. 负样本对距离不同，因此用同一个margin（τ ）不合适。2. 损失函数中没有考虑regularization。
2.3.2 对齐机制
最小化2个encoder的上述损失函数，然后加上对齐机制。
- Tight Alignment (T-align)：最小化节点的2种表征（太严格了）
- Loose Alignment (L-align)：最大化相连节点的不同表征（就是一个结构、一个attributes）的相似性（用和2.3.1部分介绍的一样的损失函数来做）
最后就是两个链路预测的损失，加对齐的损失：
2.3.3 训练算法和预测过程
测试时：
3. 实验
3.1 数据集
细节略
3.2 baseline
MLP
SEAL
G2G5
GAE
细节略
3.3 实验设置
略。
3.4 主实验结果
论文里也没说这个Cite.是啥模型。
3.5 模型分析
细节略，待补。
4. 代码复现
等我服务器好了再说。
