Evaluating Link Prediction Accuracy on Dynamic Networks with Added and Removed Edges
University of Toledo（托莱多大学）
在社交网络中预测未来关系的任务，称为链接预测，已经在文献中被广泛研究。已经提出了许多链接预测方法，范围从公共邻居到概率模型。Yang等人最近的工作强调了评估链接预测准确性的几个挑战。在边随时间增加和移除的动态网络中，链接预测问题更加复杂，并且涉及预测新增加的边和新移除的边。这导致了对动态链接预测方法的评估的新挑战，并且Yang等人提供的建议不再适用，因为它们没有解决边缘去除。在本文中，我们调查了目前用于评估动态链接预测方法的准确性的几个指标，并证明了为什么他们可以在许多情况下误导。我们提供了几个建议，评估动态链接预测的准确性，包括分为两类评估。最后，我们提出了一个统一的度量标准，有效地使用一个单一的数字来表征链接预测的准确性。
2016-07-25 cs.LG cs.SI physics.soc-ph
Learning Scalable Structural Representations for Link Prediction with Bloom Signatures
Rice University（Rice大学）；Purdue University（Purdue大学）
针对现有图神经网络链接预测表达不足、边级模型扩展性差的问题，提出融入Bloom签名的GNN结构链接表示方法，兼具强表达力与高扩展性，在基准上性能优异且推理速度提升显著。
2023-12-28 cs.LG cs.SI
Combating Bilateral Edge Noise for Robust Link Prediction
Hong Kong Baptist University（香港浸会大学）；CMIC, Shanghai Jiao Tong University（上海交通大学CMIC）；Alibaba Group（阿里巴巴集团）；Shanghai AI Laboratory（上海人工智能实验室）
针对边噪声同时扰动图拓扑与标签导致的链接预测性能下降和表示坍塌，提出RGIB原则及其SSL、REP两种实例，实现隐式与显式去噪并显著提升鲁棒性。
2023-11-02 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
Link Prediction Accuracy on Real-World Networks Under Non-Uniform Missing Edge Patterns
本研究通过9种算法、20种缺失边模式、250个真实网络数据集，系统比较了非均匀缺失边对链路预测准确性的影响，为算法选择提供指导。
2024-04-30 cs.SI math.DS
AdaGrid: Adaptive Grid Search for Link Prediction Training Objective
EPFL（洛桑联邦理工学院）；Stanford University（斯坦福大学）
有助于机器学习模型成功的最重要因素之一是良好的训练目标。训练目标对模型的性能和泛化能力有重要影响。本文专门针对图神经网络训练目标的链接预测，这在现有的文献中还没有探讨。这里，训练目标包括负采样策略和各种超参数，例如控制如何使用训练边缘的边缘消息比。通常，这些超参数通过完全网格搜索进行微调，这非常耗时且依赖于模型。为了减轻这些限制，我们提出了自适应网格搜索（AdaGrid），它在训练过程中动态调整边缘消息比率。它与模型无关，具有高度可扩展性，具有完全可定制的计算预算。通过大量的实验，我们表明，AdaGrid可以提高性能的模型高达$1.9\%$，同时是9倍的时间效率比一个完整的搜索。总的来说，AdaGrid代表了一种有效的自动化算法，用于设计机器学习训练目标。
2022-05-08 cs.LG cs.SI
SigGAN : Adversarial Model for Learning Signed Relationships in Networks
Indian Institute of Technology Patna（印度理工学院巴特那分校）；National Institute of Technology Durgapur（国立杜尔加布尔理工学院）
图中的符号链接预测是一个重要的问题，在许多领域都有应用。这是一个二元分类问题，预测一对节点之间的边是正的还是负的。现有的用于无符号网络中的链接预测的方法由于其固有的差异而不能直接应用于有符号链接预测。此外，附加的结构约束，如，有符号的网络的结构平衡属性，必须考虑有符号的链接预测。最近的有符号链接预测方法使用生成模型或判别模型来生成节点表示。受最近基于生成对抗网络（GAN）的模型的成功的启发，我们提出了一种基于生成对抗网络（GAN）的签名网络模型，SigGAN。它考虑了符号网络的要求，如，从负边的信息的集成，正负边的数量和结构平衡理论的高度不平衡。在几个真实数据集上与最先进的技术进行性能比较，验证了SigGAN的有效性。
2022-01-17 cs.LG cs.SI
Link prediction on multi-relational graphs from an influence propagation perspective
School of Information Science and Technology, Yunnan Normal University（云南师范大学信息科学与技术学院）；School of Computing, Macquarie University（麦考瑞大学计算学院）；School of Computer Science and Engineering, The University of New South Wales（新南威尔士大学计算机科学与工程学院）；School of Information Science and Engineering, Yunnan University（云南大学信息科学与工程学院）；School of Computer and Mathematical Sciences, Adelaide University（阿德莱德大学计算机与数学科学学院）
该研究从影响传播视角，扩展SIR流行病模型并提出IGNP框架，在真实数据集上大幅提升多关系图链接预测性能。
2026-08-06 cs.LG cs.SI
A Scalable Inter-edge Correlation Modeling in CopulaGNN for Link Sign Prediction
Seoul National University（首尔国立大学）
本文提出一种可扩展的边间相关性建模方法，利用高斯Copula和相关矩阵扩展CopulaGNN，通过减少参数和推断成本提升链接符号预测效率。
2026-03-05 cs.AI cs.IR cs.LG
EvalNE: A Framework for Evaluating Network Embeddings on Link Prediction
在本文中，我们提出了EvalNE，一个Python工具箱，用于评估链接预测任务的网络嵌入方法。链接预测是评价网络嵌入质量的最常用方法之一。然而，这项任务的复杂性需要一个精心设计的评估管道，以提供一致的，可重复的和可比的结果。EvalNE通过提供超参数调整和模型验证、边缘采样和负边缘采样、从节点嵌入计算边缘嵌入以及评估指标等任务的自动化和抽象来简化此过程。该工具箱允许评估任何现成的嵌入方法，而无需编写额外的代码。此外，它还可以用于评估任何其他链接预测方法，并集成了几个链接预测算法作为基线。
2019-01-22 cs.SI
LPGNet: Link Private Graph Networks for Node Classification
National University of Singapore（新加坡国立大学）
标记图结构数据的分类任务有许多重要的应用，从社会推荐到金融建模。深度神经网络越来越多地用于图上的节点分类，其中具有相似特征的节点必须被赋予相同的标签。图卷积网络（GCN）是一种被广泛研究的神经网络架构，其在该任务上表现良好。然而，最近对GCN的强大链接窃取攻击表明，即使对训练模型进行黑盒访问，推断训练图中存在哪些链接（或边）也是可行的。在本文中，我们提出了一个新的神经网络架构称为LPGNet的训练图与隐私敏感的边缘。LPGNet提供了差分隐私（DP）保证边缘使用一种新的设计，如何在训练过程中使用图形边缘结构。我们的经验表明，LPGNet模型通常位于提供隐私和实用性之间的最佳点：它们可以提供比不使用边缘信息的“平凡”私有架构更好的实用性（例如，vanilla MLP）和比使用全边缘结构的vanilla GCN更好的抵抗现有链路窃取攻击的弹性。在我们评估的大多数数据集中，LPGNet还提供了比DPGCN更好的隐私-效用权衡，DPGCN是将差分隐私改造为传统GCN的最先进机制。
2022-09-07 cs.AI cs.CR cs.LG
Infinite Edge Partition Models for Overlapping Community Detection and Link Prediction
提出了一种层次伽玛过程无限边划分模型，用于分解Bernoulli-Poisson链接下的无权无向关系网络的二元邻接矩阵。该模型描述了同伦和随机等价，并可扩展到大型稀疏网络的计算集中在对连接的节点。它不仅可以发现重叠社区和社区间的交互，还可以预测缺失的边缘。还提供了一个省略社区间互动的简化版本，我们揭示了它与现有模型的有趣联系。社区的数量是自动推断在一个非参数贝叶斯的方式，并通过吉布斯抽样使用新的数据增强技术推导出有效的推理。在四个真实网络上的实验结果证明了模型的可扩展性和最先进的性能。
2015-12-30 cs.SI stat.ML
Meta-Graph: Few Shot Link Prediction via Meta Learning
McGill University（麦吉尔大学）；Mila（米拉）；Uber AI（优步人工智能）
我们考虑图上的Few Shot链接预测的任务。目标是从图上的分布中学习，以便模型能够在少量训练后快速推断新图中的缺失边缘。我们表明，目前的链接预测方法一般装备不良，以处理这项任务。它们不能有效地将学到的知识从一个图转移到另一个图，也不能有效地从稀疏的边缘样本中学习。为了解决这个问题，我们引入了一个新的基于梯度的元学习框架，Meta-Graph。我们的框架利用高阶梯度以及学习的图签名函数，该函数有条件地生成图神经网络初始化。使用一组新的Few Shot链接预测基准测试，我们表明，元图可以学习快速适应一个新的图形，只使用一个小样本的真正的边缘，不仅能够快速适应，而且还改善了收敛的结果。
2020-03-01 cs.LG cs.SI stat.ML
A Linear Time Active Learning Algorithm for Link Classification -- Full Version --
Università degli Studi di Milano（米兰大学）；Università dell’Insubria（因苏布里亚大学）
我们提出了非常有效的主动学习算法，在签署网络的链接分类。我们的算法是由一个随机模型，其中边缘标签通过扰动的初始符号分配一致的两个集群的节点。我们在这个模型中提供了一个理论分析，表明我们可以通过查询O（|V| ^{3/2}）个边标签来实现任何图G =（V，E）上的最佳错误数（在一个常数因子中），使得|E| = Ω（|V| ^{3/2}）。更一般地，我们展示了一种算法，该算法通过查询最多阶的|V| +（|V| /k）^{3/2}边标签来实现O（k）内的最优性。该算法的运行时间至多为|E| + |V| \log |V|阶。
2013-02-28 cs.LG cs.SI stat.ML
Link residual closeness of graphs with fixed parameters
本研究针对网络脆弱性度量问题，刻画了阶数及单个图参数固定的连通图中使链路剩余接近度最大化的图的特征，完善了链路剩余接近度的理论分析。
2023-11-05 cs.SI
Wedge Sampling for Computing Clustering Coefficients and Triangle Counts on Large Graphs
图用于在各种上下文中对交互进行建模，并且越来越需要快速评估此类图的结构。一些最有用的图形指标是基于三角形的，比如那些衡量社会凝聚力的指标。计算它们的算法可能非常昂贵，即使是只有数百万条边的中等大小的图。以前的工作已经考虑了节点和边缘采样;相比之下，我们考虑楔形采样，它提供了比竞争技术更快，更准确的近似。此外，楔形采样能够估计局部聚类系数、度聚类系数、均匀三角形采样和定向三角形计数。我们的方法为所有计算提供了可证明和实用的概率误差估计。我们提供了大量的结果，表明我们的方法比最先进的替代方案更准确，更快。
2014-01-14 cs.DS cs.SI
Learning Edge Properties in Graphs from Path Aggregations
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）
图边及其标签可以表示非常重要的信息，例如网页之间的链接、用户之间的友谊、用户对其他用户或项目的评级等等。我们介绍LEAP，一个可训练的，一般的框架，用于预测的存在和属性的边缘的基础上的局部结构，拓扑结构，和标签的图形。LEAP框架基于对图中连接节点的路径的探索和机器学习聚合。我们提供了几种方法，通过训练路径聚合器执行聚合阶段，我们证明了框架的灵活性和通用性，将其应用于预测的链接和用户评级在社交网络。我们验证的LEAP框架上的两个问题：链接预测，和用户评级预测。在八个大型数据集上，其中包括arXiv协作网络，酵母蛋白质-蛋白质相互作用和美国航空公司航线网络，我们表明LEAP的链接预测性能至少与当前最先进的方法，如SEAL和WLNM一样好。接下来，我们考虑预测其他用户的用户评级的问题：这个问题被称为加权签名网络（WSN）中的边权重预测问题。在比特币网络和Wikipedia RfA上，我们发现LEAP的表现始终优于基于公平和善良的回归模型，训练边缘的数量在10%到90%之间变化。这些例子表明，LEAP，尽管它的一般性，可以匹配或最好的性能的方法，特别是精心制作的解决非常具体的边缘预测问题。
2019-03-11 cs.LG cs.SI stat.ML
Link-Prediction Enhanced Consensus Clustering for Complex Networks
许多从数据中推断或收集的真实网络由于缺少边而不完整。缺失的边可能是数据集固有的（Facebook好友链接永远不会完整），也可能是采样的结果（人们可能只能访问一部分数据）。结果是，消耗网络的下游分析通常会产生比边完整时更不准确的结果。特别是社区发现算法，经常会在关键的社区内边缘丢失时受到影响。我们提出了一种新的共识聚类算法，以提高不完全网络上的社区发现。我们的框架利用现有的社区发现算法，我们的链接预测为基础的算法处理网络。然后，该框架将其多个输出合并为最终的共识输出。平均而言，我们的方法在人工数据上将现有算法的性能提高了7%，在从Facebook收集的自我网络上提高了17%。
2015-06-04 cs.SI physics.soc-ph
Link Prediction in evolving networks based on the popularity of nodes
链接预测旨在揭示网络背后的潜在关系，利用它可以预测丢失的边或识别虚假的边，受到了各个领域的广泛关注。链接预测的关键问题是估计网络中两个节点的似然性。目前的链接预测方法大多基于静态结构分析，忽略了网络演化的时间特性。与以往的工作不同，在本文中，我们提出了一种流行的结构扰动方法（PBSPM），其特征在于，不仅从现有的网络连接的边缘的相似性，但也从流行的两个端点，因为流行的节点有更多的概率形成自己之间的链接。通过考虑节点的流行度，PBSPM可以抑制具有高重要性的节点，但逐渐变得不活跃。因此，该方法倾向于预测活动节点之间的潜在边，而不是非活动节点之间的边。在四个真实网络上的实验结果表明，该方法在准确性和鲁棒性方面都优于现有的方法。
2016-09-12 cs.SI physics.data-an physics.soc-ph
Edge Correlations and Link Prediction in Growing Hypergraphs
提出一种基于带噪复制的增长超图生成模型，推导其结构分布并给出可扩展拟合算法，在超图链接预测中以11个参数达到与大型神经网络相当的性能。
2025-08-18 cs.SI nlin.AO physics.data-an
Heterogeneous Edge Embeddings for Friend Recommendation
Hike Messenger（Hike信使公司）；IIIT Delhi（德里印度理工学院）
我们提出了一个朋友推荐系统（链接预测的应用），使用边缘嵌入社交网络。大多数现实世界的社交网络是多图，其中一对用户之间可能存在不同类型的关系（例如聊天、友谊）。现有的网络嵌入技术没有利用来自不同边缘类型的信号，因此在这样的网络中对链接预测执行得不充分。我们提出了一种方法来挖掘网络表示，有效地利用多图的异质性。我们评估我们的模型在现实世界中，活跃的社交网络，该系统部署为数百万用户的朋友推荐。我们的方法在准确性和用户满意度方面优于Hike社交网络上的各种最先进的基线。
2019-02-07 cs.LG cs.SI stat.ML
Secure Deep Graph Generation with Link Differential Privacy
Emory University（埃默里大学）；University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Hong Kong（香港大学）；Sun Yat-sen University（中山大学）；Lehigh University（理海大学）
许多数据采掘和分析任务依赖于网络（图）的抽象来概括个体（节点）之间的关系结构。由于关系数据往往是敏感的，我们的目标是寻求有效的方法来生成实用程序保存，但隐私保护的结构化数据。在本文中，我们利用差分隐私（DP）框架制定和执行严格的隐私约束的深度图生成模型，重点是边缘DP，以保证个人链接的隐私。特别是，我们通过向基于链接重建的图生成模型的梯度注入适当的噪声来执行边缘DP，同时通过使用面向结构的图判别来改进结构学习来确保数据实用性。在两个真实网络数据集上的大量实验表明，我们提出的DPGGAN模型能够生成具有有效保留全局结构和严格保护个人链接隐私的图。
2021-05-01 cs.CR cs.LG cs.SI
Adaptive Similarity Function with Structural Features of Network Embedding for Missing Link Prediction
链接预测是数据科学的一个基本问题，通常需要揭示控制网络微观动力学的机制。在这方面，使用从网络嵌入中获得的特征来预测链接已经引起了广泛的关注。虽然已经提出了基于边缘特征或基于节点相似性的方法来解决链接预测问题，但是由于网络的独特结构特性，特别是当网络稀疏时，仍然存在许多技术挑战。从图挖掘的角度来看，我们首先给出经验证据的启发式和学习边缘功能之间的不一致。然后，我们提出了一种新的链接预测框架，AdaSim，通过引入一个自适应相似性函数，使用基于随机游走的网络嵌入获得的功能。通过优化基于图的目标函数来获得节点特征表示。我们不使用二元运算符生成边缘特征，而是仅利用网络的节点特征执行链接预测。我们定义了一个灵活的相似性函数与一个可调参数，这作为一个惩罚的原始相似性度量。通过监督学习学习最优值，从而适应数据分布。为了评估我们提出的算法的性能，我们进行了广泛的实验，11个不同的网络的现实世界。实验结果表明，AdaSim取得了更好的性能比国家的最先进的算法，并对不同的稀疏网络的鲁棒性。
2021-11-13 cs.SI
RePBubLik: Reducing the Polarized Bubble Radius with Link Insertions
在表达不同观点的页面之间的超链接图的拓扑结构可能会影响读者对不同内容的接触。结构性偏见可能会使读者陷入两极分化的气泡中，无法获得其他观点。我们将读者的行为建模为随机游走。如果从一个节点到一个不同观点的页面的随机游走的预期长度很大，那么这个节点就处于极化气泡中。图的结构偏差是高度极化气泡的半径之和。我们研究了通过边插入来减小结构偏差的问题。修复具有高极化气泡半径的所有节点很难在对数因子内近似，因此我们专注于找到插入的最佳$k$边缘，以最大限度地减少结构偏差。我们提出了RePBubLik，一个算法，利用随机游走接近中心的一个变种来选择插入的边缘。RePBubLik在温和的条件下得到了一个常数因子近似。它比现有的边推荐方法更快地减少了结构偏差，包括一些旨在减少图的极化的方法。
2021-01-12 cs.SI
Efficient Edge Rewiring Strategies for Enhancement in Network Capacity
网络的结构对其流量动态特性有很大的影响。现实世界中的大部分网络都具有异质结构和无标度特性。在无标度网络中，新节点倾向于与枢纽节点连接，网络容量会被度较小的节点所削减。因此，我们建议重新布线网络中的一小部分链路，以提高网络的传输效率。在本文中，我们讨论了一些有效的链路重布线策略，并在无标度网络上进行了模拟，证实了这些策略的有效性。重布线策略实际上降低了具有较高介数中心性的节点的中心性。在链路重新布线过程之后，网络的度分布保持不变。该工作将有利于网络性能的提高。
2019-01-16 cs.NI cs.SI
Recovering link-weight structure in complex networks with weight-aware random walks
Institute of Mathematics and Computer Sciences, University of São Paulo（圣保罗大学数学与计算机科学学院）；Observatory on Social Media, Indiana University（印第安纳大学社交媒体观测站）
本文系统研究不同随机游走策略（传统无权、基于强度、完全权重感知）在节点嵌入中保留边权重信息的能力，发现权重感知随机游走显著优于其他策略，但在真实网络中表现受拓扑和权重分布影响。
2025-08-10 cs.SI physics.data-an
Statistical Guarantees for Link Prediction using Graph Neural Networks
Harvard University（哈佛大学）；Stanford University（斯坦福大学）
本文提出线性GNN架构（LG-GNN），为图生成模型生成的图上的链接预测提供统计保证，包括均方误差界和高概率边检测能力，并验证于真实和合成数据。
2024-02-07 cs.LG cs.SI math.ST
Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph
The University of Queensland（昆士兰大学）；University of Technology Sydney（悉尼科技大学）；University of Electronic Science and Technology of China（电子科技大学）
社交网络中的有符号链接预测旨在揭示用户（即节点）之间的潜在关系（即链接），给定观察到的用户（即节点）的现有积极和消极交互。大多数先前的努力都致力于学习节点嵌入与图神经网络（GNN），它保留了有符号的网络拓扑结构的消息传递沿边缘，以促进下游的链接预测任务。然而，现有的基于图的方法很难为以下三个问题提供人类可理解的解释：（1）聚合哪些邻居，（2）沿着哪条路径传播，以及（3）在学习过程中遵循哪种社会理论。为了回答上述问题，在本文中，我们研究如何调和\textit{balance}和\textit{status}社会规则与信息论，并开发了一个统一的框架，称为符号Infomax双曲图（\textbf{SIHG}）。通过最大化边缘极性和节点嵌入之间的互信息，可以识别支持边缘符号推断的最具代表性的相邻节点。与现有的只能在子空间中对朋友的特征进行分组的GNN不同，所提出的SIHG包含了签名注意模块，该模块还能够将敌对用户推离彼此以保持对抗的几何形状。反过来，学习到的边缘注意力地图的极性提供了对每个聚合中使用的社会理论的解释。为了对高阶用户关系和复杂层次结构进行建模，节点嵌入在具有较低失真的双曲空间中进行投影和测量。在四个有符号网络基准测试上的大量实验表明，所提出的SIHG框架在有符号链接预测方面明显优于现有技术。
2021-06-22 cs.AI cs.SI
Supervised Random Walks: Predicting and Recommending Links in Social Networks
Facebook（脸书）；Stanford University（斯坦福大学）
预测链接的出现是网络中的一个基本问题。在链接预测问题中，我们得到一个网络的快照，并希望推断现有成员之间的哪些交互可能在不久的将来发生，或者我们遗漏了哪些现有交互。虽然这个问题已经得到了广泛的研究，如何有效地结合丰富的节点和边缘属性数据的网络结构的信息的挑战仍然很大程度上开放。我们开发了一种基于监督随机游走的算法，该算法自然地将网络结构的信息与节点和边缘级别的属性相结合。我们通过使用这些属性来引导图上的随机行走来实现这一点。我们制定了一个监督学习任务，其目标是学习一个函数，该函数为网络中的边分配强度，使得随机步行者更有可能访问将来将创建新链接的节点。我们开发了一种有效的训练算法，直接学习边缘强度估计函数。我们在Facebook社交图和大型协作网络上的实验表明，我们的方法优于最先进的无监督方法以及基于特征提取的方法。
2010-11-17 cs.AI cs.DS cs.SI
Structural balance in signed digraphs: considering transitivity to measure balance in graphs constructed by using different link signing methods
结构平衡理论假设网络中的三元组倾向于稳定的构型。该理论在无向图中得到了验证。由于现实世界的网络往往是有向的，我们介绍了一种新的方法，同时考虑传递性和符号一致性计算平衡的有向图。我们使用不同的方法来识别边缘符号：自然语言处理从底层文本数据中推断符号，以及自我报告的调查数据。我们的研究结果表明，对于各种社会背景和边缘符号检测方法，平衡度较高，范围从67.5%到92.4%。
2020-06-03 cs.SI physics.soc-ph
Implicit degree bias in the link prediction task
本研究揭示链接预测任务中边采样对高度数节点的隐式偏差，提出度校正基准以提供更合理评估，并证明其能更有效训练图模型。
2024-05-29 cs.SI physics.soc-ph
