Quantum Link Prediction in Complex Networks
预测物理、生物、社会或技术网络中的新联系具有重大的科学和社会影响。基于路径的链接预测方法利用节点之间的偶数和奇数长度路径的显式计数来量化评分函数并推断新的或未观察到的链接。在这里，我们提出了一个量子算法，基于路径的链接预测，QLP，使用受控的连续时间量子行走编码偶数和奇数路径为基础的预测分数。通过对几个真实网络的经典模拟，我们证实了量子行走评分函数与其他基于路径的链接预测器的性能相似。在一个简短的复杂性分析中，我们确定了我们的方法在揭示基于路径的链路预测的量子加速方面的潜力。
2022-11-25 cond-mat.dis-nn cs.SI physics.bio-ph
RankMerging: A supervised learning-to-rank framework to predict links in large social network
L2TI, Université Paris-Nord（L2TI，巴黎第十三大学）；naXys, University of Namur（纳克西斯研究所，那慕尔大学）；Mathematical Institute, University of Oxford（牛津大学数学研究所）
本文提出监督学习排序框架RankMerging，融合多种无监督排名信息，在三种社交网络上显著提升链接预测性能，并探讨特征选择与参数估计，适用于大型网络的可调数量链接预测。
2025-03-29 cs.IR cs.LG cs.SI
Attacking Similarity-Based Link Prediction in Social Networks
链接预测是计算社会科学的基本问题之一。预测未观察到的链接的存在的一种特别常见的方法是通过结构相似性度量，例如共同邻居的数量;具有较高相似性的节点对因此被认为更有可能被链接。然而，链接预测的许多应用，例如预测帮派或恐怖分子网络中的链接，是对抗性的，另一方被激励通过操纵关于网络的观察信息来最小化其有效性。我们提供了一个全面的算法调查的问题，通过链接删除攻击基于相似性的链接预测，集中在两大类这样的方法，一个只使用本地信息的目标链接，另一个使用全球网络信息。虽然我们展示了几个变化的一般问题是NP-难的本地和全球的指标，我们展示了一些动机良好的特殊情况下，这是易于处理的。此外，我们提供了原则和经验有效的算法的棘手的情况下，在某些情况下证明最坏情况下的近似保证。
2018-12-31 cs.CR cs.SI
High-order joint embedding for multi-level link prediction
University of California, Irvine（加州大学尔湾分校）
链接预测是从观测到的网络中推断出潜在的链接，是网络分析中的基本问题之一。与传统的图表示模型只预测双向成对关系不同，本文提出了一种新的基于张量的联合网络嵌入方法，将成对链接和超链接同时编码到一个潜在空间中，该方法在推断潜在的不可观察超链接时捕获了成对链接和多路链接之间的依赖关系.所提出的嵌入过程的主要优点是，它结合了节点之间的成对关系和子组结构，以捕获更丰富的网络信息。此外，该方法引入了链接之间的层次依赖关系来推断潜在的超链接，并导致更好的链接预测。在理论上，我们建立了所提出的嵌入方法的估计一致性，并提供了一个更快的收敛速度相比，链接预测利用成对链接或超链接。仿真环境和Facebook自我网络的数值研究表明，所提出的方法提高了超链接和成对链接预测的准确性相比，现有的链接预测算法。
2021-11-07 cs.LG cs.SI stat.ML
Gravity-Inspired Graph Autoencoders for Directed Link Prediction
Deezer Research & Development（Deezer研发部）；LIX, École Polytechnique（巴黎综合理工学院计算机科学实验室）；AUEB（雅典经济与商业大学）
图自编码器（AE）和变分自编码器（VAE）是最近出现的强大的节点嵌入方法。特别是，图AE和VAE被成功地利用来解决具有挑战性的链接预测问题，旨在弄清楚图中的一些节点对是否由未观察到的边连接。然而，这些模型专注于无向图，因此忽略了链接的潜在方向，这限制了许多现实生活中的应用。在本文中，我们扩展了图AE和VAE框架，以解决有向图中的链接预测。我们提出了一个新的重力启发解码器方案，可以有效地重建有向图从节点嵌入。我们经验评估我们的方法对三个不同的有向链接预测任务，标准图AE和VAE表现不佳。我们在三个真实世界的图表上取得了有竞争力的结果，超过了几个流行的基线。
2022-06-06 cs.LG cs.SI stat.ML
Jointly Predicting Links and Inferring Attributes using a Social-Attribute Network (SAN)
社会影响和同质性的影响表明，网络结构和节点属性信息都应该通知链接预测和节点属性推理的任务。最近，Yin等人提出了一种属性增强的社会网络，即社会属性网络（SAN），它将网络结构和节点属性相结合，以执行链接预测和属性推理。他们专注于将带重启的随机游走算法推广到SAN框架，并展示了改进的性能。在本文中，我们扩展了SAN框架与几个领先的监督和无监督的链接预测算法，并证明了性能的改善，每个算法的链接预测和属性推理。此外，我们提出了新的观察，即属性推断可以帮助通知链接预测，即，通过首先推断丢失的属性，进一步提高了链接预测的准确性。我们全面评估这些算法，并使用一个新的，大规模的Google+数据集，我们公开提供与其他现有的算法进行比较。
2012-06-22 cs.SI physics.soc-ph
Introducing New Node Prediction in Graph Mining: Predicting All Links from Isolated Nodes with Graph Neural Networks
Universidad Politécnica de Madrid（马德里理工大学）
本文提出图挖掘中的新节点预测问题，即零样本图外全链接预测，并验证基于深度图神经网络的架构可在文献引用网络中预测孤立节点的全部链接。
2024-01-10 cs.AI cs.LG cs.SI
Unsupervised Meta-path Reduction on Heterogeneous Information Networks
异构信息网络（HIN）由于其在各种数据采掘任务中的广泛适用性，特别是对于具有多类型对象的任务，引起了人们的广泛关注。可以从异构网络中提取潜在的大量元路径，提供丰富的语义知识。虽然可以定义多种元路径，但过多的元路径是多余的。减少元路径的数量可以提高效率，因为一些冗余的元路径提供干扰链接的任务。此外，减少的元路径可以反映异构网络的特性。以前的努力试图在监督信息的指导下减少元路径的数量。然而，监督信息是昂贵的，并不总是可用的。在本文中，我们提出了一种新的算法，SPMR（语义保持元路径约简），以减少一组预定义的元路径在无监督设置。所提出的方法是能够评估一组元路径，以最大限度地保持原始元路径的语义减少后。实验结果表明，SPMR可以选择一个简洁的子集的元路径，可以达到相当甚至更好的性能与更少的元路径。
2018-11-12 cs.SI physics.soc-ph
Fast Multiplex Graph Association Rules for Link Prediction
多重网络使我们能够研究各种复杂的系统，其中节点以多种方式相互连接，例如社交网络中的朋友，家人和同事关系。链接预测是网络分析的一个分支，它允许我们预测网络的未来状态：哪些新的连接最有可能在未来出现？在多路复用链接预测中，我们还问：哪种类型的？因为这最后一个问题是无法回答与经典的链接预测，在这里，我们研究使用图关联规则通知多路链接预测。我们通过多重图挖掘识别网络中的所有频繁模式来获得这些规则，然后通过找到原始网络中每个规则的出现次数来对每个未观察到的链接的可能性进行评分。关联规则为多路链接预测增加了新的能力：预测新的节点到达，考虑具有四个或更多节点的高阶结构，以及内存效率。我们通过创建一个在运行时间方面也很高效的框架来改进以前的工作，从而提高预测性能。这种效率的提高使我们能够改进一个有符号的多重网络的案例研究，展示图关联规则如何为扩展社会平衡理论提供有价值的见解。
2022-11-22 cs.SI
Neural Link Prediction with Walk Pooling
Nanjing Normal University（南京师范大学）；Universität Basel（巴塞尔大学）
图神经网络通过联合利用图拓扑结构和节点属性来实现链接预测的高精度。然而，拓扑是间接表示的;基于子图分类的最先进的方法用到目标链路的距离标记节点，因此，尽管存在拓扑信息，但它被池化所缓和。这使得利用与网络形成机制相关的环和基序等特征具有挑战性。我们提出了一个链接预测算法的基础上，一个新的池方案称为WalkPool。WalkPool结合了拓扑拓扑学的表达能力和神经网络的特征学习能力。它通过相邻路径的随机游走概率来概括一个假定的链路。它不是从原始图中提取转移概率，而是通过关注学习到的特征来计算"预测"潜在图的转移矩阵;这可以被解释为特征敏感的拓扑指纹。WalkPool可以利用无监督节点功能，或者与GNN和端到端训练相结合。它在所有常见的链接预测基准上都优于最先进的方法，包括homophilic和heterophilic，有和没有节点属性。将WalkPool应用于一组无监督GNN显著提高了预测准确性，这表明它可以用作通用图池方案。
2022-03-16 cs.LG cs.SI
Towards Higher-order Topological Consistency for Unsupervised Network Alignment
University of New South Wales（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；University of Hong Kong（香港大学）
网络对齐任务的目的是在不同的网络中识别出对应的节点，这对后续的应用具有重要意义。由于不需要标记锚链接，无监督对齐方法受到了越来越多的关注。然而，现有的方法定义的拓扑一致性假设一般是低阶和不准确的，因为只考虑边不区分的拓扑模式，这是特别危险的无监督设置。为了将对齐过程的重点从低阶拓扑一致性重新定位到高阶拓扑一致性，本文提出了一个完全无监督的网络对齐框架HTC。提出了基于边轨道的高阶拓扑一致性，并将其融入图卷积网络的信息聚合过程，将对齐度转化为节点嵌入的相似度.此外，编码器被训练为多轨道感知，然后被细化以识别更可信的锚链接。通过综合所有不同的一致性顺序，综合评价节点对应性。{In除了合理的理论分析，所提出的方法的优越性也通过大量的实验评估经验证明。在三对真实世界数据集和两对合成数据集上，我们的HTC始终优于各种无监督和监督方法，其时间消耗最少或相当。由于我们的多轨道感知训练机制，它还表现出对结构噪声的鲁棒性。
2022-08-26 cs.LG cs.SI
Pair-view Unsupervised Graph Representation Learning
低维图嵌入已被证明在大型图中的各种下游任务中非常有用，例如，链接相关的内容推荐和节点分类任务等。大多数现有的嵌入方法将节点作为信息聚合的基本单元，例如，GNN中的节点感知场或随机游走中的上下文节点。这种节点视图的主要缺点是不支持表达节点之间的复合关系，导致嵌入过程中丢失一定程度的图形信息。为此，本文提出了PairE（PairEmbedding），一种使用比节点更高级的单元"对"作为图嵌入的核心的解决方案。相应地，多自监督自动编码器被设计成实现两个任务，以重构相应对及其周围上下文的特征分布。PairE算法具有三大优点：1）信息量大，能够在节点视图之外嵌入，能够保存更丰富的图的信息; 2）算法简单，节省时间，存储效率高，需要的超参数少; 3）自适应性强，引入翻译算子将对嵌入映射到节点嵌入，PairE可以有效地用于基于链接和基于节点的图分析。实验结果表明，PairE算法在所有四个下游任务中的性能都优于基线状态，尤其是在链接预测和多标签节点分类任务中具有显著的边缘。
2020-12-11 cs.LG cs.SI
Handling Class Imbalance in Link Prediction using Learning to Rank Techniques
我们考虑部分观测网络中的链路预测问题，目标是在网络的未观测部分进行预测。许多现有的方法减少链接预测二进制分类问题。然而，在现实世界的网络中，不存在的链接的主导地位，使误分类错误的性能指标差。相反，研究人员主张使用排名性能指标，如AUC，AP和NDCG进行评估。我们的主要贡献是将链接预测问题重新定义为学习排名问题，并在训练过程中直接使用有效的学习排名技术。这与仅在评估期间使用排名措施的现有工作形成对比。我们的方法能够通过在训练过程中使用有效的、可扩展的学习来排名技术来处理类不平衡问题。此外，我们的方法允许我们结合网络拓扑结构和节点功能。作为我们的一般方法的演示，我们开发了一个链接预测方法，通过优化交叉熵代理，最初用于流行的ListNet排名算法。我们进行了广泛的实验公开的合著，引用和代谢网络，以证明我们的方法的优点。
2016-02-22 cs.LG cs.SI stat.ML
Adversarial Robustness of Similarity-Based Link Prediction
Washington University in St. Louis（圣路易斯华盛顿大学）；University of Warsaw（华沙大学）
链接预测是社会网络分析的基本问题之一。链接预测的一组常见技术依赖于相似性度量，该相似性度量使用观察到的子网的拓扑来量化未观察到的链接的可能性。最近，链接预测的相似性度量已被证明是容易受到攻击，从而对网络的意见是不利的修改，以隐藏目标链接。我们提出了一种新的方法来增加基于相似性的链接预测的鲁棒性，通过赋予分析师一组可靠的查询，准确地衡量查询链接的存在。分析师的目标是通过优化分配可靠的查询来鲁棒地预测可能的链接的集合。我们正式分析师的问题作为一个贝叶斯Stackelberg游戏中，他们首先选择可靠的查询，然后由对手谁删除的一个子集的链接之间的其余（不可靠）查询的分析师。在我们的模型中，分析师不确定对手试图隐藏的特定目标链接，而对手则拥有关于分析师和网络的全部信息。专注于相似性度量，仅使用本地信息，我们表明，这个问题是NP-难的球员，并设计两个原则和有效的方法来解决它近似。真实网络和合成网络的大量实验证明了我们方法的有效性。
2019-09-03 cs.AI cs.CR cs.SI
Semi-supervised Graph Embedding Approach to Dynamic Link Prediction
The University of Tokyo（东京大学）
我们提出了一个简单的离散时间半监督图嵌入方法，在动态网络中的链接预测。学习的嵌入反映了来自时间和横截面网络结构的信息，这是通过将损失函数定义为来自过去动态的监督损失和预测当前网络中的邻域上下文的无监督损失的加权和来执行的。我们的模型也能够学习不同的嵌入形成和溶解动力学。这些关键方面有助于我们的模型的预测性能，我们提供了三个真实世界的动态网络的实验表明，我们的方法是可比的最先进的方法在链接形成预测和优于最先进的基线方法在链接解散预测。
2016-10-14 cs.LG cs.SI physics.soc-ph
Scalable Link Prediction in Dynamic Networks via Non-Negative Matrix Factorization
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）；University of Southern California（南加州大学）；University of Arizona（亚利桑那大学）
我们提出了一个可扩展的时间潜在空间模型的链接预测在动态社交网络，其中的目标是预测链接随着时间的推移，根据一系列以前的图快照。该模型假设每个用户都位于一个不可观察的潜在空间中，并且潜在空间表示中相似用户之间更有可能形成交互。此外，该模型允许每个用户逐渐移动其位置在潜在空间中的网络结构随着时间的推移而演变。我们提出了一个全局优化算法，有效地推断时间潜在空间，具有二次收敛速度。还提出了两种具有局部和增量更新的替代优化算法，允许模型扩展到更大的网络而不影响预测精度。从经验上讲，我们证明了我们的模型，在一些现实世界的动态网络进行评估时，显着优于现有的方法的时间链接预测的可扩展性和预测能力。
2016-07-23 cs.AI cs.IR cs.SI
Unsupervised Constrained Community Detection via Self-Expressive Graph Neural Network
Amazon Science（亚马逊科学）；IBM Research（IBM研究院）；Indian Institute of Science（印度科学院）
图神经网络（GNN）能够在多个图下游任务（例如节点分类和链接预测）上实现有希望的性能。相对较少的工作已经完成，设计GNN，可以直接操作的社区发现图。传统上，GNN是在半监督或自监督损失函数上训练的，然后应用聚类算法来检测社区。然而，这种解耦的方法本质上是次优的。设计一个无监督的损失函数来训练GNN并以综合的方式提取社区是一个根本的挑战。为了解决这个问题，我们在文献中首次将自表达原理与自监督图神经网络框架相结合，用于无监督社区发现。我们的解决方案以端到端的方式进行训练，并在多个公开可用的数据集上实现最先进的社区发现性能。
2021-10-19 cs.LG cs.SI
Accurate Link Prediction for Edge-Incomplete Graphs via PU Learning
Seoul National University（首尔国立大学）
针对边不完整图的链接预测难题，提出基于PU学习的PULL方法，通过潜变量和期望图结构避免过拟合，在五个真实数据集上性能超越基线。
2024-12-12 cs.AI cs.LG cs.SI
Disentangling Node Attributes from Graph Topology for Improved Generalizability in Link Prediction
Network Science Institute（网络科学研究所）；Northeastern University（东北大学）；Khoury College of Computer Sciences（库利计算机科学学院）；Brigham and Women’s Hospital（布莱根妇女医院）；Harvard Medical School（哈佛医学院）
该研究提出节点属性无监督预训练方法UPNA，通过学习节点属性对预测边概率的方式解决归纳式链接预测问题，克服拓扑捷径与观测偏差，性能大幅超越现有最优水平，还可集成到现有模型中提升泛化能力。
2023-07-17 cs.LG cs.SI
A Potts model approach to unsupervised graph clustering with Graph Neural Networks
针对模块度驱动的无监督图聚类存在分辨率极限的问题，提出借鉴物理学 Potts 模型的新型 GNN 框架，并在多个真实数据集上达到最先进聚类性能。
2023-08-18 cs.CE cs.SI
TriNE: Network Representation Learning for Tripartite Heterogeneous Networks
Florida Atlantic University（佛罗里达大西洋大学）
本文研究了三方异构网络的网络表示学习，它学习具有三种类型节点实体的网络的节点表示特征。我们认为，三方网络是常见的在现实世界中的应用，和表示学习的本质挑战是网络中的各种节点类型和链接之间的异构关系。为了应对这一挑战，我们开发了一个三方异构网络嵌入TriNE。该方法考虑独特的用户-项目-标签三方关系，建立一个目标函数来建模节点之间的显式关系（观察到的链接），并捕获三方节点之间的隐式关系（跨三方节点集的未观察到的链接）。该方法组织元路径引导的随机游走，为网络中的所有节点类型创建异构邻域。然后，利用这些信息训练基于联合优化的异构skip-gram模型。在真实三方网络上的实验验证了TriNE在嵌入节点特征的在线用户响应预测中的性能。
2020-10-14 cs.LG cs.SI
Polarity-Asymmetric Structural Calibration for Link Sign Prediction
Northeast Normal University（东北师范大学）；Jilin University（吉林大学）
提出极性不对称结构校准（PASC）框架，通过目标边结构先验与局部符号上下文比较得到冲突残差，校准注意力聚合、门控融合和优化，在五个真实符号网络数据集上取得最佳Macro-F1。
2026-09-09 cs.LG cs.SI
Neural Common Neighbor with Completion for Link Prediction
Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）；School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）
本文提出NCN链接预测模型，利用结构特征指导MPNN池化，并针对图不完整性提出NCNC模型补全共同邻居结构，在标准基准上超越现有最先进模型。
2024-06-04 cs.AI cs.LG cs.SI
Fitting Low-rank Models on Egocentrically Sampled Partial Networks
University of Virginia（弗吉尼亚大学）
随机网络的统计建模已被广泛用于揭示复杂系统中的相互作用机制，并预测现实世界网络中未观察到的链接。在许多应用中，网络连接是通过以自我为中心的采样来收集的：首先对节点的子集进行采样，然后记录涉及该子集的所有链接;所有其他信息都丢失了。与“随机一致缺失”假设相比，自我中心抽样部分网络需要专门设计的建模策略。目前的统计方法要么在计算上不可行，要么基于直观的设计，没有理论依据。在这里，我们提出了一种方法来适应一般的低秩模型的自我中心采样网络，其中包括几个流行的网络模型。该方法基于图的谱特性，对于大规模网络计算效率高。由于稀疏网络的自我中心采样，它导致丢失的子网络的一致恢复。据我们所知，该方法提供了第一个理论保证自我中心的部分网络估计范围内的低秩模型。我们评估的技术在几个合成和现实世界的网络，并表明它提供了有竞争力的性能在链接预测任务。
2023-03-09 cs.LG cs.SI stat.ML
