Can GNNs Learn Link Heuristics? A Concise Review and Evaluation of Link Prediction Methods
Faculty of Engineering and Information Technology, University of Technology Sydney（工程与信息技术学院，悉尼大学）；Faculty of Engineering and Information Sciences, University of Wollongong（工程与信息科学学院，沃林戈大学）；College of Electrical Engineering, Zhejiang University（电气工程学院，浙江大学）
本文研究了图神经网络在链接预测中的能力，发现可训练节点嵌入能提升性能，且图密度越高提升越显著，为未来算法发展提供指导。
2025-12-07 cs.LG cs.SI
Adversarial Robustness of Probabilistic Network Embedding for Link Prediction
Ghent University（根特大学）
在当今的网络社会中，许多现实世界的问题可以形式化为预测网络中的链接，例如Facebook的友谊建议，电子商务推荐，以及引文网络中的科学合作预测。链接预测问题越来越多地通过网络嵌入方法来解决，这是由于它们具有最先进的性能。然而，与更简单的基线相比，这些方法缺乏透明度，因此它们对对抗攻击的鲁棒性可能是一个值得关注的问题：对网络的一个或几个小的对抗性修改是否会对链接预测产生很大影响使用网络嵌入模型时的性能？先前的研究已经研究了网络嵌入模型的对抗鲁棒性，重点是节点和图级别的分类。另一方面，对于链路预测下游任务的鲁棒性研究较少，本文通过研究链接预测的条件网络嵌入（CNE）模型的对抗鲁棒性来填补这一空白。更具体地说，给定CNE和一个网络，我们测量模型的链接预测对网络的小对抗扰动的敏感性，即节点对的链接状态的变化。因此，我们的方法可以识别网络中最容易受到这种扰动的链接和非链接，供分析师进一步调查。我们分析了最敏感和最不敏感的扰动的特征，并根据经验证实，我们的方法不仅成功地识别出最脆弱的链接和非链接，而且由于有效的近似，它可以以一种有效的方式进行识别。
2021-07-05 cs.LG cs.SI
Deepened Graph Auto-Encoders Help Stabilize and Enhance Link Prediction
University of Kentucky（肯塔基大学）
图神经网络已经被用于各种学习任务，例如链接预测、节点分类和节点聚类。其中，链接预测是一个相对研究不足的图学习任务，当前最先进的模型基于一层或两层的浅图自动编码器（GAE）架构。在本文中，我们专注于解决目前的链接预测方法的局限性，只能使用浅GAE和变分GAE，并创建有效的方法来加深（变分）GAE架构，以实现稳定和有竞争力的性能。我们提出的方法创新性地将标准自动编码器（AE）纳入GAE的架构中，其中标准AE通过无缝集成邻接信息和节点特征来学习基本的低维表示，而GAE通过残差连接进一步构建多尺度低维表示，以学习用于链接预测的紧凑整体嵌入。经验上，在各种基准数据集上的大量实验验证了我们的方法的有效性，并展示了我们的深化图模型用于链接预测的竞争性能。理论上，我们证明了我们的深度扩展包含表示多个不同阶数的多项式滤波器。
2022-08-26 cs.LG cs.SI
BicliqueEncoder: An Efficient Method for Link Prediction in Bipartite Networks using Formal Concept Analysis and Transformer Encoder
Graduate School of Informatics, Kyoto University（京都大学情报学研究科）
针对现有基于双团的二部网络链接预测方法可扩展性差、难以处理大规模数据集的问题，提出结合冰山概念格与Transformer编码器的BicliqueEncoder方法，在保证预测性能的同时提升了计算效率，在大小数据集上均验证了有效性。
2025-03-20 cs.LG cs.SI
Edge Proposal Sets for Link Prediction
Cornell University（康奈尔大学）；Facebook（脸书）；Facebook AI（脸书人工智能）
图是用于诸如社交网络和蛋白质相互作用之类的复杂关系数据的常见模型，并且这样的数据可以随时间演变（例如，新的友谊）和吵闹（例如，不可测量的相互作用）。链接预测旨在预测图中未来的边或推断图中缺失的边，并且在推荐系统、实验设计和复杂系统中具有不同的应用。即使链接预测算法强烈地依赖于图中的边的集合，现有的方法通常不修改图拓扑以提高性能。在这里，我们演示了如何简单地添加一组边缘，我们称之为\emph{proposal set}，作为预处理步骤的图形可以提高性能的几个链接预测算法。基本思想是，如果建议集中的边通常与图的结构对齐，则链接预测算法被进一步引导以预测正确的边;换句话说，添加建议的边集是信号增强预处理步骤。我们展示了如何使用现有的链接预测算法来生成有效的建议集，并在各种合成和经验数据集上评估这种方法。我们发现，建议集有意义地提高链接预测算法的准确性的基础上的邻域预测和图神经网络。代码可在\url{https://github.com/CUAI/Edge-Proposal-Sets}上获得。
2021-06-30 cs.LG cs.SI
Temporal Link Prediction Using Graph Embedding Dynamics
Michigan State University（密歇根州立大学）
本文提出将节点视为牛顿物体并引入速度概念，通过计算每个节点的具体动态来改进时序链接预测，在PubMed合著数据上使下游模型AUROC提升17.34%，同时增强了可解释性。
2024-01-15 cs.LG cs.SI
Fast Computation of Katz Index for Efficient Processing of Link Prediction Queries
Abdullah Gül University（阿卜杜拉·居尔大学）；Qatar Computing Research Institute（卡塔尔计算研究所）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Case Western Reserve University（凯斯西储大学）
网络邻近度计算是各种数据采掘应用中最常见的操作之一，包括链接预测和协同过滤。网络邻近度的一个常用度量是Katz指数，它已被证明是性能最好的基于路径的链接预测算法之一。随着超大型网络数据库的出现，这种邻近计算成为这些数据库中查询处理的重要部分。因此，显着的努力已经致力于开发算法，有效计算Katz指数之间的一对给定的节点或查询节点和网络中的每一个其他节点。在这里，我们提出了LRC-Katz，一个基于索引和低秩校正的算法来加速基于Katz索引的网络邻近查询。使用各种非常大的现实世界的网络，我们表明，LRC-卡茨优于现有的最快的方法，共轭梯度，参数值的范围很广。我们还表明，这种加速计算的Katz指数可以用来大大提高效率的处理链接预测查询在非常大的网络。基于这一观察，我们提出了一种新的链接预测算法，利用模块化的网络，在实际应用中遇到的。我们对链接预测问题的实验结果表明，我们的模块化算法显着优于最先进的链接预测卡茨方法。
2019-12-13 cs.LG cs.SI
A Hidden Challenge of Link Prediction: Which Pairs to Check?
University of Michigan（密歇根大学）
网络中链接预测的传统设置假设节点对的测试集（通常是平衡的）是可用的，通过该测试集来预测链接的存在。然而，在实践中，没有测试集：地面真实情况是未知的，因此预测的可能对的数量是图中节点数量的二次方。此外，由于图是稀疏的，这些可能的对中的大多数将不是链接。因此，通常依赖于保持邻近的嵌入或节点相似性的启发式概念的链接预测方法面临着巨大的搜索空间，其中许多对非常接近，但不应该被链接。为了缓解这个问题，我们引入LinkWaldo，从这个二次选择的框架，倾斜的搜索空间的节点对，一组简洁的候选对，除了在接近，也在结构上类似于观察到的边缘。这使得它可以忽略一些高接近度但低相似度的对，也可以识别高相似度，低接近度的对。我们的框架是建立在一个模型，理论上结合随机块模型（SBM）与节点邻近模型。SBM的块结构映射出在搜索空间中新链接预期落在哪里，并且接近度识别这些块内最合理的链接，使用局部敏感散列以避免昂贵的穷举搜索。LinkWaldo可以使用任何节点表示学习或邻近度的启发式定义，并且可以为任何链接预测方法生成候选对，允许当前和未来方法的表示能力在实践中实现用于链接预测。我们在多个域的13个网络上对LinkWaldo进行了评估，结果表明，它平均返回的候选集比基于嵌入和启发式基线的集多包含7-33%的缺失和未来链接。
2021-02-15 cs.LG 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
Time-aware Gradient Attack on Dynamic Network Link Prediction
在网络链接预测中，可以通过对网络结构的小扰动来隐藏目标链接而不被预测。这种观察可能在许多现实世界的场景中被利用，例如，保护隐私或利用金融安全。最近有许多研究生成对抗性示例来误导图数据上的深度学习模型。然而，以前的工作都没有考虑现实世界系统的动态特性。在这项工作中，我们提出了动态网络链接预测（DNLP）的对抗攻击的第一个研究。提出的攻击方法，即时间感知梯度攻击（TGA），利用深度动态网络嵌入（DDNE）在不同快照间产生的梯度信息，对少数链路进行重新布线，从而使DDNE无法预测目标链路。我们实现了两种方式：一种是基于遍历搜索，即TGA-Tra;另一种是简化与贪婪搜索的效率，即TGA-Gre。我们进行了全面的实验，显示了突出的性能TGA攻击DNLP算法。
2020-04-03 cs.LG cs.SI
A Community-Enhanced Graph Representation Model for Link Prediction
School of Computer Science and Engineering（计算机科学与工程学院）；School of Computer Science（计算机科学学院）
本文提出CELP框架，通过结合社区结构，改进图表示模型以提升链接预测的准确性。
2025-12-24 cs.LG cs.SI
Graph Sequential Neural ODE Process for Link Prediction on Dynamic and Sparse Graphs
Monash University（莫纳什大学）；Griffith University（格里菲斯大学）
动态图上的链接预测是图挖掘中的一个重要任务。基于动态图神经网络（DGNN）的现有方法通常需要大量的历史数据（随时间的交互），这在实践中并不总是可用的。随着时间的推移，丢失的链接是图形数据中的一种常见现象，它进一步加剧了这个问题，从而创建了极其稀疏和动态的图形。为了解决这个问题，我们提出了一种新的方法，基于神经过程，称为图顺序神经ODE过程（GSNOP）。具体来说，GSNOP结合了神经过程和神经常微分方程的优点，将动态图上的链接预测建模为动态变化的随机过程。通过定义函数上的分布，GSNOP将不确定性引入到预测中，使其推广到更多的情况，而不是过度拟合稀疏数据。GSNOP对于可以与任何DGNN集成以考虑用于链接预测的时间和几何信息的模型结构也是不可知的。在三个动态图数据集上的大量实验表明，GSNOP可以显着提高现有DGNN的性能，并优于其他神经过程变体。
2022-11-15 cs.LG 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
FakeEdge: Alleviate Dataset Shift in Link Prediction
University of Notre Dame（圣母大学）
链接预测是图结构数据中的一个关键问题。由于图神经网络（GNN）最近的成功，提出了各种基于GNN的模型来解决链接预测任务。具体来说，GNN利用消息传递范式来获得节点表示，这依赖于链路连接。然而，在链接预测任务中，训练集中的链接总是存在的，而测试集中的链接尚未形成，导致连接模式的差异和学习表示的偏差。这导致了数据集移动的问题，降低了模型的性能。本文首先识别了链接预测任务中的数据集移位问题，并从理论上分析了现有的链接预测方法如何容易受到数据集移位的影响，然后提出了一种与模型无关的FakeEdge技术，通过减少训练集和测试集之间的图拓扑差距来解决这个问题。大量的实验证明了FakeEdge在各个领域的多个数据集上的适用性和优越性。
2022-12-03 cs.LG cs.SI stat.ML
Handling oversampling in dynamic networks using link prediction
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
过采样是表示动态网络的数据的常见特征。过采样会影响动态网络中许多重要算法问题的质量，包括链接预测。链接预测试图预测在给定先前快照的情况下将被添加到网络的边。我们表明，不仅过采样的影响质量的链接预测，但我们可以使用链接预测恢复过采样的影响。我们还介绍了一种新的生成模型的噪声在动态网络，代表过采样。我们展示了我们的方法在合成和真实世界的数据的结果。
2015-08-11 cs.LG 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
Inductive Link Prediction for Nodes Having Only Attribute Information
University of New South Wales（新南威尔士大学）；University of Science and Technology of China（中国科学技术大学）；The Chinese University of Hong Kong（香港中文大学）
预测两个节点之间的链接是图数据分析的基本问题。在属性图中，结构和属性信息都可以用于链接预测。大多数现有的研究集中在两个节点都已经在图中的转导链接预测。然而，许多现实世界的应用需要归纳预测新的节点只有属性信息。这更具挑战性，因为新节点没有结构信息，并且在模型训练期间无法看到。为了解决这个问题，我们提出了一个称为DEAL的模型，它由三个组件组成：两个节点嵌入编码器和一个对齐机制。两个编码器分别输出面向属性的节点嵌入和面向结构的节点嵌入，对齐机制将两类嵌入对齐，建立属性和链接之间的连接。我们的模型DEAL是通用的，在这个意义上，它适用于感应和转导链接预测。在多个基准数据集上的大量实验表明，该模型的性能明显优于现有的归纳链接预测方法，也优于现有的归纳链接预测方法.
2020-07-16 cs.LG cs.SI stat.ML
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
IGA-LWP: An Iterative Gradient-based Adversarial Attack for Link Weight Prediction
School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；School of Communication Engineering, Hangzhou Dianzi University（杭州电子科技大学通信工程学院）；School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院）
IGA-LWP通过迭代梯度攻击方法，对链权重预测模型进行对抗性扰动，显著降低目标链的预测准确性，并展示出强可迁移性。
2026-01-07 cs.SI
Pairwise Learning for Neural Link Prediction
WeChat Pay, Tencent（腾讯微信支付）；WeChat Search, Tencent（腾讯微信搜索）
在本文中，我们的目标是提供一个有效的成对学习神经链接预测（PLNLP）框架。该框架将链接预测视为成对的学习排序问题，并且由四个主要组件组成，即，邻域编码器、链接预测器、负采样器和目标函数。该框架是灵活的，任何通用的图神经卷积或链接预测特定的神经结构可以被用作邻域编码器。对于链接预测器，我们设计了不同的评分函数，可以根据不同类型的图进行选择。在负采样器中，我们提供了几种采样策略，这些策略是针对具体问题的。至于目标函数，我们建议使用一个有效的排名损失，近似最大化的标准排名指标AUC。我们在Open Graph Benchmark的4个链接属性预测数据集上评估了所提出的PLNLP框架，包括ogbl-ddi，ogbl-collab，ogbl-ppa和ogbl-ciation 2。PLNLP在ogbl-ddi和ogbl-collab上实现了top 1性能，在ogbl-ciation 2上仅使用基本神经架构实现了top 2性能。性能证明了PLNLP的有效性。
2022-01-21 cs.AI cs.LG cs.SI
Link Prediction in Social Networks: the State-of-the-Art
在社交网络中，链接预测能够预测当前网络中的缺失链接以及未来网络中新的或消失的链接，对于挖掘和分析社交网络的演化具有重要意义。在过去的十年中，人们对社交网络中的链接预测做了大量的研究。本文的目的是对社交网络中链接预测的研究现状进行全面的回顾、分析和讨论。对链接预测技术和问题进行了系统分类。然后对链接预测技术和存在的问题进行了分析和讨论。链接预测的典型应用也解决了。介绍了一些活跃的研究小组的成果和路线图。最后，讨论了社交网络中链接预测的未来挑战。
2014-12-08 cs.SI physics.soc-ph
Enhancing Cross-domain Link Prediction via Evolution Process Modeling
Zhejiang University（浙江大学）；Finvolution
本文提出动态图模型DyExpert，通过显式建模历史演化过程并结合条件链接生成，在跨域链接预测中显著超越现有基线，平均精度提升11.40%，并在多数未训练图上超过全监督方法。
2025-02-05 cs.AI cs.LG cs.SI
LinkLogic: A New Method and Benchmark for Explainable Knowledge Graph Predictions
Inbound Health；University of São Paulo（圣保罗大学）；Nvidia（英伟达）；BenevolentAI
本文提出LinkLogic链路预测解释方法，并基于FB13数据集构建了首个链路预测解释基准，通过定量和定性评估生成解释的保真度、选择性和相关性，为知识图谱预测解释方法的实证评估奠定基础。
2024-06-02 cs.AI cs.LG cs.SI
NodeSim: Node Similarity based Network Embedding for Diverse Link Prediction
在现实世界的复杂网络中，了解其演化的动力学一直是科学界的极大兴趣。预测未来的链接是社会网络分析的一项重要任务，因为随着时间的推移，链接的添加或删除会导致网络的演变。在网络中，如果链路的两个端节点属于同一个社区，则链路可以被分类为社区内链路，否则为社区间链路。现有的链接预测方法主要集中在实现社区内链接预测的高精度。在这项工作中，我们提出了一个网络嵌入的方法，称为NodeSim，它捕捉节点和社区结构之间的相似性，同时学习网络的低维表示。嵌入是使用建议的NodeSim随机游走学习的，它有效地探索了不同的邻域，同时在节点的上下文中保持更接近的相似节点。我们使用不同的链接预测验证了所提出的嵌入方法的有效性。我们提出了一个机器学习模型的链接预测，同时考虑节点的嵌入和他们的社区信息来预测两个给定的节点之间的链接。在几个真实网络上的大量实验结果表明，所提出的框架对社区间和社区内链接预测都是有效的。
2021-02-01 cs.SI
Heuristics for Link Prediction in Multiplex Networks
JPMorgan AI Research（摩根大通人工智能研究院）
链接预测，或对实体之间未来或缺失的连接的推断，是网络分析中的一个被充分研究的问题。在具有单一类型连接的普通网络中，存在用于链接预测的多种算法。然而，多路复用网络或具有多种类型连接的网络中的链接预测不是一个很好理解的问题。我们提出了一个新的一般框架和三个家庭的多路复用网络链接预测，是简单的，可解释的，并利用丰富的连接类型的相关结构，存在于许多现实世界的网络。我们进一步推导出一个理论阈值，用于确定何时使用不同的连接类型的基础上的链接，重叠与Erdos-Renyi随机图的数量。通过模拟和现实世界的科学合作，运输和全球贸易网络的实验，我们证明，所提出的算法显示出更高的性能与丰富的连接类型的相关性结构，并显着优于其基线算法的普通网络与一个单一的连接类型。
2020-04-09 cs.LG cs.SI stat.ML
Towards Fast Evaluation of Unsupervised Link Prediction by Random Sampling Unobserved Links
链接预测由于能够发现网络中隐藏的连接和预测网络中未来的链接而引起了广泛的关注。许多无监督的链接预测算法已经被提出来在各种网络中发现这些链接。然而，在无监督链接预测中存在评估难题。在大型网络中，未观测链路的数量远远超过观测链路的数量，因此量化所有未观测链路的存在可能性来评估这些算法是不现实的。在本文中，我们提出了一个新的评估范式，即采样未观察到的链接来解决这个问题。首先，我们证明了所提出的范式在理论上是可行的。然后，我们在不同上下文和大小的真实网络中进行了广泛的评估实验。结果表明，基于相似性的链接预测算法在大规模网络中即使在低采样率下也具有很高的稳定性，并且采样引起的评估时间退化是显著的。我们的发现对链接预测有着广泛的意义。
2021-05-07 cs.SI physics.soc-ph
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
Networked Inequality: Preferential Attachment Bias in Graph Neural Network Link Prediction
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Meta
本文揭示了图卷积网络链路预测中存在组内优先连接偏差，并提出新的组内公平性指标和训练时策略以缓解不公平性。
2024-06-04 cs.CY cs.LG cs.SI
Formational bounds of link prediction in collaboration networks
协作网络中的链接预测通常通过识别在某个时间点断开连接的现有节点的结构属性来解决，并且该方法成功的最大可能召回率或上限由嵌入这些属性的现有节点之间形成的链接的比例来限制。因此，持续的关系以及涉及一个或两个新网络参与者的链接通常不会被预测。本研究的目的是突出需要考虑的形式约束，以增加协作网络的链接预测方法的实用价值。在这项研究中，我们确定了基本的链接形成类型的分布的基础上，四个大规模的，随着时间的推移合作网络，显示当前的链接预测可以最大限度地预测约25%的链接，涉及至少一个先前的网络成员。这意味着，对于协作网络，当符合经典链接预测过程的协作关系的比率低时，增加计算链接预测解决方案的准确性可能不是合理的目标。
2021-02-05 cs.SI
NPGLM: A Non-Parametric Method for Temporal Link Prediction
Sharif University of Technology（谢里夫理工大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本文试图解决信息网络中的时间链接预测问题。这意味着预测链接在未来出现所需的时间，给定其在当前网络快照中提取的特征。为此，我们引入了一种概率非参数的方法，称为“非参数广义线性模型”（NP-GLM），它推断出隐藏的潜在概率分布的链路出现时间给定的功能。然后，我们提出了一个学习算法的NP-GLM和推理方法来回答时间相关的查询。在合成数据和真实新浪微博社交网络上进行的大量实验证明了NP-GLM在解决时间链接预测问题时的有效性。
2017-06-21 cs.AI cs.LG cs.SI
A Survey of Link Prediction Algorithms
本文综述并评估了局部相似性、随机游走重启和Node2Vec三类链接预测算法在小规模多领域图上的性能。
2023-06-14 cs.SI
GC-LSTM: Graph Convolution Embedded LSTM for Dynamic Link Prediction
动态链接预测是复杂网络领域的一个研究热点，尤其在生物、社会网络、经济和工业等领域有着广泛的应用。与静态链接预测相比，动态链接预测由于网络结构随时间的变化而变得更加困难。目前大多数研究都集中在静态链接预测上，在动态网络中无法达到预期的性能。针对低AUC、高出错率、添加/删除链接预测困难等问题，提出了一种嵌入长短期记忆网络（LTSM）的图卷积网络（GC）GC-LSTM，用于端到端动态链接预测。据我们所知，这是第一次提出GCN嵌入LSTM用于动态网络的链接预测。在这个新的深度模型中，GCN能够为每个时间片学习网络快照的节点结构，而LSTM负责网络快照的时间特征学习。此外，现有的动态链接预测方法只能处理删除的链接，GC-LSTM可以同时预测添加或删除的链接。通过大量的实验，从预测精度、出错率、添加/删除链接预测和关键链接预测等方面验证了该算法的性能。结果证明GC-LSTM优于当前最先进的方法。
2021-10-02 cs.SI physics.soc-ph
Pairwise Link Prediction
链接预测是网络科学中的一个常见问题，涉及多个学科。目标是预测新链接的出现或找到网络中丢失的链接。用于链接预测的典型方法使用网络的拓扑来预测一对节点之间最可能的未来或丢失的连接。然而，网络演化通常是由涉及多对节点的高阶结构介导的;例如，三个节点上的集团（也称为三角形）是社交网络结构的关键，但标准的链接预测框架不能直接预测这些结构。为了解决这个差距，我们提出了一个新的链接预测任务，称为“成对链接预测“，直接针对新的三角形的预测，其中一个任务是找出哪些节点最有可能形成一个三角形与给定的边缘。我们开发了两个PageRank为基础的方法，我们成对的链接预测问题，并自然扩展到现有的链接预测方法。我们在各种网络上的实验表明，基于扩散的方法对所使用的图形类型不太敏感，并且其结果更加一致。我们还展示了我们的成对链接预测框架可以用来得到更好的预测标准的链接预测评估的上下文中。
2019-07-10 cs.SI physics.soc-ph
Variational Disentangled Graph Auto-Encoders for Link Prediction
Northeastern University（东北大学）；Beijing Institute of Technology（北京理工大学）
针对链接预测中嵌入纠缠问题，提出解耦图自编码器（DGAE）和变分解耦图自编码器（VDGAE），通过解耦潜在因素和互信息正则化提升预测性能与可解释性。
2023-06-20 cs.AI cs.LG cs.SI
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
Link-Backdoor: Backdoor Attack on Link Prediction via Node Injection
Zhejiang University of Technology（浙江工业大学）
链接预测是对图中未发现的或潜在的链接进行预测的一种方法，在现实世界中有着广泛的应用。通过促进图的标记链接作为训练数据，已经研究了许多基于深度学习的链接预测方法，与非深度方法相比，这些方法具有主导的预测精度。然而，恶意制作的训练图的威胁会在深度模型中留下特定的后门，因此当一些特定的示例被输入模型时，它会做出错误的预测，定义为后门攻击。这是一个重要的方面，已被忽视，在目前的文献。本文提出了链接预测后门攻击的概念，并提出了Link-Backdoor算法，以揭示现有链接预测方法的训练漏洞。具体地，链路后门将伪节点与目标链路的节点组合以形成触发器。此外，它优化的触发器从目标模型的梯度信息。因此，在后门数据集上训练的链接预测模型将预测具有目标状态的触发的链接。在五个基准数据集和五个性能良好的链接预测模型上进行的大量实验表明，链接后门在白盒（即，目标模型参数的可用性）和黑盒（即，目标模型参数不可用）场景。此外，我们还对防御环境下的攻击进行了验证，结果表明，在性能良好的链接预测方法上，链接后门仍然可以构造成功的攻击。代码和数据可在https://github.com/Seaocn/Link-Backdoor上获得。
2022-08-14 cs.AI cs.SI
wsGAT: Weighted and Signed Graph Attention Networks for Link Prediction
unict（恩纳波利卡大学（UNICT））
图神经网络（GNN）已被广泛用于学习图上的表示并解决来自广泛领域的许多现实问题。在本文中，我们提出了wsGAT，这是图注意力网络（GAT）层的扩展，旨在解决缺乏可以处理具有签名和加权链接的图的GNN的问题，这些链接在信任和相关网络中无处不在。我们首先评估我们的建议的性能进行比较，对GCNII在加权链接预测任务，对SGCN在链接符号预测任务。之后，我们将这两个任务结合起来，并展示了它们在预测链接的符号权重及其存在性方面的表现。我们在真实网络上的结果表明，具有wsGAT层的模型优于具有GCNII和SGCN层的模型，并且在预测有符号权重时，性能没有损失。
2021-09-21 cs.LG cs.SI physics.soc-ph
Probabilistic Latent Tensor Factorization Model for Link Pattern Prediction in Multi-relational Networks
LIP6 - UPMC（LIP6实验室 - 皮埃尔和玛丽·居里大学）
本文针对多个关系类型连接的对象集合中的链接模式预测问题，其中每种类型都可能扮演不同的角色。虽然常见的链接分析模型仅限于单一类型的链接预测，我们试图在这里捕捉不同的关系类型之间的相关性，并揭示各种关系类型对性能质量的影响。为此，我们将对象对之间的整体关系定义为\textit{link pattern}，它由网络中的交互模式和连接结构组成，然后使用张量形式化来联合建模和预测链接模式，我们称之为\textit{Link Pattern Prediction}（LPP）问题。为了解决这个问题，我们提出了一个概率潜在张量分解（PLTF）模型，通过引入另一个潜在的因素，多个关系类型，并提供层次贝叶斯处理所提出的概率模型，以避免过拟合解决LPP问题。为了学习所提出的模型，我们开发了一个有效的马尔可夫链蒙特卡罗抽样方法。在几个真实世界的数据集上进行了大量的实验，并证明了对现有的几种最先进的方法的显着改进。
2012-04-11 cs.LG cs.SI stat.ML
Interaction Order Prediction for Temporal Graphs
Carnegie Mellon University（卡内基梅隆大学）
图中的链接预测是一个已经被广泛研究的任务。它已被应用于知识图谱的补全、内容/项目推荐、社交网络推荐等领域，但大多数研究最初集中在静态图中的链接预测。然而，最近有大量的工作建模时间图，因此，已经研究的任务之一是时间图中的链接预测。然而，现有的大多数工作并没有关注链接形成的顺序，而只是预测链接的存在。在这项研究中，我们的目标是预测节点相互作用的顺序。
2023-02-04 cs.CL cs.LG cs.SI
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
Missing Links in Public Email and Covert Networks: A Comparative Evaluation of Link Prediction, Hyperlink Prediction, and ERGM Estimation
School of Professional Studies, Northwestern University（西北大学专业研究学院）
本文通过比较链接预测、超链接预测和ERGM估计方法，探讨了在部分观测网络中缺失链接推断的问题，揭示了不同方法在二元恢复和高阶群体结构推断中的表现。
2026-06-04 cs.SI
HTGN-BTW: Heterogeneous Temporal Graph Network with Bi-Time-Window Training Strategy for Temporal Link Prediction
Northeastern University（东北大学）；Microsoft Research Asia（微软亚洲研究院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
随着电子商务网络、社交网络等时态网络的发展，时态链接预测问题近年来受到越来越多的关注。WSDM Cup 2022的时间链接预测任务期望一个可以同时在两种时间图上工作的单一模型，这两种时间图具有非常不同的特征和数据属性，以预测给定类型的链接是否会在给定的时间跨度内在两个给定的节点之间发生。我们的团队，这里命名为nothing，将此任务视为异构时态网络中的链接预测任务，并提出了一个通用模型，即，异构时态图网络（Heterogeneous Temporal Graph Network，HTGN），解决了时间间隔不固定、链路类型多样的时态链接预测问题。也就是说，HTGN可以适应链路的异构性和在任意给定时间段内具有不固定时间间隔的预测。为了对模型进行训练，我们设计了一种双时间窗训练策略（BTW），该策略在两种时间窗下分别训练两种小批量。因此，对于最终测试，我们在数据集A上实现了0.662482的AUC，在数据集B上实现了0.906923的AUC，并以0.628942的平均T得分获得了第二名。
2022-02-25 cs.AI cs.LG cs.SI
Link prediction in multiplex networks via triadic closure
ISI Foundation（ISI基金会）；Institute for Biocomputation and Physics of Complex Systems (BIFI), University of Zaragoza（萨拉戈萨大学生物计算与复杂系统物理研究所（BIFI））；University of Zaragoza（萨拉戈萨大学）
链接预测算法可以帮助理解复杂系统的结构和动力学，从不完整的数据集重建网络，并预测未来的相互作用，在不断发展的网络。基于节点之间相似性的可用算法受到这些网络中存在的有限数量的链接的限制。在这项工作中，我们减少了后者的内在限制，并表明可以利用不同类型的关系数据来提高新链接的预测。为此，我们提出了一种新的链接预测算法，通过推广的Adamic-Adar方法组成的多路复用网络的任意数量的层，编码不同形式的相互作用。我们表明，新的度量优于经典的单层Adamic-Adar评分和其他国家的最先进的方法，在几个社会，生物和技术系统。作为副产品，最大化复用Adamic-Adar度量的系数指示复用网络中结构化的信息如何针对链接预测任务进行优化，从而揭示哪些层是冗余的。有趣的是，这种效应对于不同层的预测可能是不对称的。我们的工作铺平了道路，为更深入地了解不同的关系数据在预测新的相互作用的作用，并提供了一个新的算法，链接预测在多路复用网络，可应用于大量的系统。
2020-11-16 cs.LG cs.SI physics.soc-ph
Line Graph Neural Networks for Link Weight Prediction
本文提出LGLWP模型，通过封闭子图提取、加权图标记、线图转换与图卷积学习链路嵌入，以回归方式直接预测链路权重，并在六个网络数据集上优于现有方法。
2024-10-28 cs.SI
Link Prediction with Mutual Attention for Text-Attributed Networks
Université de Lyon, Lyon 2（里昂大学里昂第二大学）
在这个扩展的摘要中，我们提出了一个算法，该算法从结构化语料库的网络拓扑结构中学习文档之间的相似性度量。我们利用最近提出的一种注意力机制Scaled Dot-Product Attention来设计文档对之间的相互注意力机制。为了训练其参数，我们使用网络链路作为监督。我们提供了两个预测任务的引文数据集的初步实验结果，证明了我们的模型学习有意义的文本相似性的能力。
2019-03-20 cs.CL cs.LG cs.SI
Review on Learning and Extracting Graph Features for Link Prediction
复杂网络中的链接预测由于其在生物网络、社交网络、交通网络、电信网络以及最近的知识图谱中的广泛应用而引起了跨学科研究界的极大关注。许多研究利用链接预测方法，以stto找到丢失的链接或预测未来链接的可能性，以及用于重建网络，推荐系统，隐私控制等。这项工作提出了一个广泛的审查国家的最先进的方法和算法提出了这个问题，并将它们分为四个主要类别：基于相似性的方法、概率方法、关系模型和基于学习的方法。此外，本文还提供了一组网络数据集，可用于研究链接预测。最后，我们讨论了最近的发展和未来的研究方向。
2020-12-20 cs.SI
A Mechanistic Study on the Impact of Entity Degree Distribution in Open-World Link Prediction
本文通过实验研究知识图谱实体度分布对开放世界链接预测的影响，揭示其与准确率的正相关及经由嵌入空间和权重更新作用的内在机制。
2025-03-15 cs.SI
Bipartite Link Prediction based on Topological Features via 2-hop Path
Korea University（高丽大学）
现实世界中的各种系统都可以建模为二分网络。线性图自动编码器（LGAE）是链接预测中功能最强大、最简单的方法之一，它在链接预测和节点聚类等具有挑战性的任务中具有良好的性能。LGAE依赖于简单的线性模型w.r.t.图的邻接矩阵来学习节点的向量空间表示。在本文中，我们考虑的情况下，二分链接预测的节点属性是不可用的。当使用LGAE时，我们建议将重建的邻接矩阵与对称归一化的训练邻接矩阵相乘。其结果是，2跳路径形成，我们使用的预测邻接矩阵来评估我们的模型的性能。在合成数据集和真实数据集上的实验结果表明，我们的方法在12个二分数据集中的10个数据集上始终优于Graph Autoencoder和Linear Graph Autoencoder模型，并在另外2个二分数据集上达到了竞争性性能。
2020-03-19 cs.LG cs.SI stat.ML
LPNL: Scalable Link Prediction with Large Language Models
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出基于大语言模型的框架LPNL，通过两阶段采样和分而治之策略实现大规模异构图上的可扩展链接预测，并在实验中优于多个先进基线。
2024-02-20 cs.AI cs.CL cs.LG
Improving link prediction accuracy of network embedding algorithms via rich node attribute information
针对现有基于网络嵌入的链接预测算法未充分利用节点属性信息的问题，提出属性图增强嵌入算法AGEE，通过构建属性网络接入典型算法并自动学习结构与属性网络的权重权衡，可将链接预测准确率较现有基准提升约3%。
2024-03-07 cs.SI
Target Defense Against Link-Prediction-Based Attacks via Evolutionary Perturbations
在社交网络中，通过删除一些目标敏感链接，可以实现隐私保护。然而，在可观测网络上，通过链接预测方法仍然可以重新观测到一些隐藏链接。本文采用传统的链接预测方法资源分配指数（RA）进行隐私攻击。提出了几种防御方法，包括启发式和进化的方法，以保护目标链路从RA攻击通过进化扰动。这是第一次研究针对链接预测攻击的隐私保护。从网络中随机选择一些链接作为实验的目标链接。在六个真实网络上的仿真结果表明了进化扰动方法在目标防御RA攻击中的优越性。此外，传输实验表明，虽然进化扰动方法是针对RA攻击而设计的，但它对其他基于链接预测的攻击也是有效的。
2018-09-16 cs.SI physics.soc-ph
Fast link prediction for large networks using spectral embedding
许多链接预测算法需要计算每个顶点对上的相似性度量，这在顶点数量上是二次的，并且对于大型网络是不可行的。我们开发了一类链接预测算法的基础上的频谱嵌入和k最近对算法，可扩展到非常大的网络。我们比较了这些方法的预测精度和运行时间，现有的几个大的链接预测任务的算法。我们的方法达到了与标准算法相当的精度，但速度要快得多。
2017-03-28 cs.SI physics.soc-ph
Improving local clustering based top-L link prediction methods via asymmetrical link clustering information
网络可以代表广泛的复杂系统，如社会，生物和技术系统。链接预测是网络分析中最重要的问题之一，近年来引起了广泛的研究兴趣。为了解决这一问题，人们提出了许多链接预测方法，并采用了各种技术。我们可以注意到，聚类信息在解决链接预测问题中起着重要的作用。在以往的文献中，我们发现节点聚集系数经常出现在许多链接预测方法中。然而，节点聚类系数不能区分节点对不同节点对的聚类能力，仅限于描述一个共同邻居在不同局部网络中的作用。在本文中，我们把我们的重点从节点到链路，并提出了非对称链路聚类（ALC）系数的概念。在此基础上，通过ALC的概念对三种基于节点聚类的链接预测方法进行了改进.实验结果表明，基于ALC的方法优于基于节点聚类的方法，特别是在食物网，仓鼠友谊和互联网网络取得了显着的改善。此外，与其他方法相比，基于ALC的方法在全球化和个性化的top-L链接预测任务中的性能非常稳定。
2017-11-22 cs.SI physics.soc-ph
Inherent Limits on Topology-Based Link Prediction
本文指出图的自同构等属性导致链接预测存在内在限制，计算了仅基于图拓扑的预测上界，发现稀疏图的上界极低，证明此类预测系统必须依赖拓扑之外的额外信息。
2023-06-26 cs.SI
