最近刷到一位教授谈做会议报告的心得：可以沿着论文本身的逻辑叙述，但更重要的是阐述背后的东西，要像讲故事一样的讲论文报告。会上的时间有限，如果报告不足够吸引人，做的问题也不相关，没多少人愿意去读你的论文。
那么我可以以什么样的逻辑来讲这份工作呢？如果按照论文本身的逻辑：目前没有基于子图做超图上的链路预测的工作，基于子图的方法可以更好地找到 local characteristics也可以一定程度上解决 scalability concern，于是我填补了这个空白，然后介绍方法。这样看是不怎么吸引人。
如果换个思路呢？我可以从一些大家都很熟悉的东西出发，比如 SEAL，回顾一下相关的 labeling trick，然后讲这一系列方法的核心在于区分核心点（focal edge 的两点）与其它点，然后把这么个结果丢到 GCN 里头去，提取特征并且做binary classification。这么做，如果网络再深一些，加一些非线性映射进来，提取到的特征就不太好解释了。从源头上思考，很多图上的特征都能用随机游走的角度来解释，那么围绕 focal nodes，通过 permutation 提取相关的子图特征，不就可以有较好的解释性，又可能有较好的分类结果？在另一边，考虑到不同密度的超图投影到普通图，带来的边的权重可能很不一样，所以，需要设计一种策略，让对不同密度的超图都能提取到好的特征。于是。我们对 permutation 做了细化，不同于之前的 permutation-based subgraph feature extraction，只考虑 focal edge 是否存在，这里采取了 edge weakening 的策略，计算了在不同程度 permutation 下，loop 与 non-loop walk 相关概率的变化，并以此构建特征，结果挺好的。
这份工作做完的时候的感觉很舒畅，提取到的特征可以解释，在不同密度的超图上的结果都挺好，做了大量实验分析提取到的特征，对 edge weakening scheme 的效果也做了实验验证。最后，这份工作一投就中，在预期之中。
ICDM23，上海见。
Categories: DM
发表回复