Multi-Step Tool-Calling over Korean Open Public APIs: A Benchmark and a Data-Synthesis Recipe
LG CNS
针对韩国开放公共API的多步骤工具调用场景，构建KOPA-Bench基准测试，提出EDGE数据合成方案，微调9B模型后其性能接近同系列27B模型且在KOPA-Bench和BFCL上均有提升。
2026-09-07 cs.AI cs.CL
Augmenting Knowledge Graphs for Better Link Prediction
USC Information Sciences Institute（南加州大学信息科学研究所）
嵌入方法通过主要编码实体关系，已经在知识图谱中的链接预测任务上表现出鲁棒的性能。最近的方法提出用文字感知项来增强损失函数。在本文中，我们提出了KGA：一个知识图谱增强方法，将文字的嵌入模型，而不修改其损失函数。KGA将数量和年份值离散化到bin中，并水平链接这些bin（对邻近值进行建模）和垂直链接（对多个粒度级别进行建模）。KGA是可扩展的，可以用作任何现有的知识图谱嵌入模型的预处理步骤。在传统基准测试和新的大型基准测试DWD上的实验表明，用数量和年份来扩充知识图谱对于预测实体和数字都是有益的，因为KGA优于普通模型和其他相关基线。我们的消融研究证实，数量和年份都有助于KGA的性能，其性能取决于离散化和分箱设置。我们公开了代码、模型和DWD基准，以促进可重复性和未来的研究。
2022-04-25 cs.AI
Scalable and interpretable rule-based link prediction for large heterogeneous knowledge graphs
Medical University of Vienna（维也纳医科大学）；University Mannheim（曼海姆大学）
基于神经嵌入的机器学习模型已经显示出预测生物医学知识图谱中新链接的前景。不幸的是，它们的实际效用由于缺乏可解释性而减少。最近，完全可解释的，基于规则的算法AnyBURL在许多通用链接预测基准测试中产生了极具竞争力的结果。然而，它的适用性复杂的生物医学知识基础上的大规模预测任务是有限的推理时间长，并与聚合预测的多个规则的困难。我们通过引入SAFRAN规则应用框架来改进AnyBURL，该框架通过可扩展的聚类算法聚合规则。在已建立的通用基准FB 15 K-237和大规模生物医学基准OpenBioLink上，赛峰提供了完全可解释的链接预测的最新结果。此外，它超过了FB 15 K-237上多个已建立的基于嵌入的算法的结果，并缩小了OpenBioLink上基于规则和基于嵌入的算法之间的差距。我们还表明，赛峰智能推理系统将推理速度提高了两个数量级。
2020-12-10 cs.AI cs.IR cs.LG
Dyport: Dynamic Importance-based Hypothesis Generation Benchmarking Technique
Center for Bioinformatics and Computational Biology（生物信息学与计算生物学中心）；University of Delaware（特拉华大学）；Computer and Information Sciences（计算机与信息科学学院）
本文提出开源基准框架 Dyport，通过整合精选数据库构建动态图并量化发现重要性，以在现实条件下评估生物医学假设生成系统的准确性与研究影响。
2023-12-06 cs.AI cs.CL cs.LG
IRT2: Inductive Linking and Ranking in Knowledge Graphs of Varying Scale
RheinMain University of Applied Sciences（莱茵美因应用科学大学）
我们解决了为工业用例构建特定领域知识模型的挑战，其中标记数据和分类信息最初是稀缺的。我们的重点是归纳链接预测模型作为实用工具的基础，支持知识工程师探索文本集合，发现和链接新的（所谓的开放世界）实体的知识图谱。我们认为，虽然神经文本挖掘方法在过去几年中取得了令人印象深刻的结果，目前的基准并不能正确反映工业界遇到的典型挑战。因此，我们的第一个贡献是一个开放的基准创造的IRT 2（归纳推理与文本），（1）涵盖不同大小的知识图谱（包括非常小的），（2）附带的，低质量的文本提及，（3）不仅包括三重完成，而且还包括排名，这与支持专家发现任务有关。我们研究了两种用于归纳链接预测的神经模型，一种是基于端到端学习的，另一种是在不同的步骤中从知识图谱和文本数据中学习的。这些模型与强大的词袋基线竞争。结果表明，神经方法的性能显着的进步，只要可用的图形数据减少链接。对于排名，结果是有希望的，神经方法优于稀疏检索器的一个很大的保证金。
2023-01-02 cs.AI cs.CL cs.LG
CoDEx: A Comprehensive Knowledge Graph Completion Benchmark
University of Michigan（密歇根大学）
我们提出了CoDEx，一组从Wikidata和Wikipedia中提取的知识图谱完成数据集，在范围和难度水平上改进了现有的知识图谱完成基准。就范围而言，CoDEx包括三个大小和结构不同的知识图谱，实体和关系的多语言描述，以及数万个看似合理但经验证为错误的硬否定三元组。为了表征CoDEx，我们提供了全面的实证分析和基准测试实验。首先，我们根据逻辑关系模式分析每个CoDEx数据集。接下来，我们报告CoDEx上五个广泛调整的嵌入模型的基线链接预测和三重分类结果。最后，我们将CoDEx与流行的FB 15 K-237知识图谱完成数据集区分开来，表明CoDEx涵盖了更多样化和可解释的内容，并且是一个更困难的链接预测基准。数据、代码和预训练模型可在https://bit.ly/2EPbrJs上获得。
2020-10-06 cs.AI cs.CL cs.IR
SAFRAN: An interpretable, rule-based link prediction method outperforming embedding models
Medical University of Vienna（维也纳医科大学）；University Mannheim（曼海姆大学）
基于神经嵌入的机器学习模型已经显示出预测知识图谱中新链接的前景。不幸的是，它们的实际效用由于缺乏可解释性而减少。最近，完全可解释的，基于规则的算法AnyBURL在许多通用链接预测基准测试中产生了非常有竞争力的结果。然而，目前的方法聚合预测多个规则的影响冗余。我们通过引入SAFRAN规则应用程序框架来改进AnyBURL，该框架使用一种称为非冗余Noisy-OR的新聚合方法，该方法在聚合之前检测和聚类冗余规则。在已建立的通用基准FB 15 K-237、WN 18 RR和YAGO 3 -10上，赛峰提供了完全可解释的链接预测的最新结果。此外，它超过了FB 15 K-237和WN 18 RR上多个已建立的基于嵌入的算法的结果，并缩小了YAGO 3 -10上基于规则和基于嵌入的算法之间的差距。
2021-09-16 cs.AI cs.LG
Global and local evaluation of link prediction tasks with neural embeddings
Medical University of Vienna（维也纳医科大学）
我们把我们的注意力集中在知识图谱的链接预测问题，这在这里被视为一个二元分类任务的神经嵌入的实体。通过比较、组合和扩展不同领域的基于图的数据的链接预测方法，形式化了一个统一的知识图谱神经嵌入质量评价基准方法.然后，该基准被用于实证研究在整个图中全局训练神经嵌入的潜力，而不是在特定关系中局部训练嵌入的通常方式。这种测试嵌入质量的新方法评估了二进制分类器在有限数据的情况下用于可扩展链接预测的性能。我们的评估管道是开源的，我们的目标是吸引社区更多地关注神经嵌入评估的透明度和可重复性这一重要问题。
2018-07-27 cs.AI cs.LG stat.ML
SALT-KG: A Benchmark for Semantics-Aware Learning on Enterprise Tables
SAP SE（SAP股份有限公司）
SALT-KG是一个面向企业表格的语义感知学习基准，通过链接元数据知识图与多表事务数据，评估模型在表格证据和上下文语义上推理的能力。
2026-01-12 cs.AI
An Open Challenge for Inductive Link Prediction on Knowledge Graphs
Mila（米拉研究所）；McGill University（麦吉尔大学）；LMU Munich（慕尼黑大学）；Harvard Medical School（哈佛医学院）
在知识图谱（KG）上的表示学习中的新兴趋势超越了在固定的已知实体集合上的转导链接预测任务，而倾向于归纳任务，该归纳任务意味着在一个图上进行训练并在具有未知实体的新图上执行推理。在归纳设置中，节点特征通常不可用，并且训练浅实体嵌入矩阵是没有意义的，因为它们不能在推理时与看不见的实体一起使用。尽管人们对归纳表示学习方法的兴趣越来越大，但还没有足够的基准来评估归纳学习方法。在这项工作中，我们介绍了ILPC 2022，KG归纳链接预测的一个新的开放的挑战。为此，我们基于Wikidata构建了两个新的数据集，其中包含各种大小的训练和推理图，比现有的归纳基准大得多。我们还提供了两个强大的基线，利用最近提出的归纳方法。我们希望这个挑战有助于简化社区在归纳图表示学习领域的工作。ILPC 2022遵循评估公平性和可重复性的最佳实践，可在https://github.com/pykeen/ilpc2022上获得。
2022-04-18 cs.AI cs.LG
Linking Surface Facts to Large-Scale Knowledge Graphs
NEC Laboratories Europe（NEC欧洲实验室）；KU Leuven（荷语鲁汶大学）；Ss. Cyril and Methodius University（圣西里尔与美多德大学）；University of Würzburg（维尔茨堡大学）
针对开放信息抽取表面事实的歧义性与知识图谱覆盖受限的问题，提出细粒度事实链接新基准及评估协议，发现KG外实体和谓词检测更难，并公开相关资源。
2023-10-23 cs.AI cs.CL cs.LG
Node Classification Meets Link Prediction on Knowledge Graphs
University of Oxford（牛津大学）
节点分类和链接预测在图表示学习中得到了广泛的研究。虽然直推节点分类和链接预测都是在单个输入图上操作的，但到目前为止，它们被分别研究。节点分类模型采用具有节点特征和不完整节点标签的输入图，并隐含地假设该图是关系完整的，即，没有边缘缺失。相比之下，链接预测模型仅由输入图的关系不完整性驱动，并且通常不利用节点特征或类。我们提出了一个统一的观点和研究的问题（一）不完整的图和（二）链接预测的节点功能的图上的转导节点分类，介绍了一个新的数据集，维基校友，并进行了广泛的基准测试研究。
2021-08-30 cs.AI cs.LG
HyperCausalLP: Causal Link Prediction using Hyper-Relational Knowledge Graph
Artificial Intelligence Institute, University of South Carolina（南卡罗来纳大学人工智能研究所）；Bosch Center for Artificial Intelligence（博世人工智能中心）
本文提出HyperCausalLP方法，将带中介变量的因果链接预测建模为超关系知识图谱补全，并在CLEVRER-Humans上验证其有效性。
2024-09-12 cs.AI
Predictive Multiplicity of Knowledge Graph Embeddings in Link Prediction
Cardiff University（卡迪夫大学）；University of Stuttgart（斯图加特大学）；Bosch Center for AI（博世人工智能中心）；University of Oslo（奥斯陆大学）；University of Southampton（南安普顿大学）
本文定义并测量了知识图谱嵌入在链接预测中的预测多重性，发现8%到39%的测试查询存在冲突预测，并提出基于社会选择理论投票方法，将冲突缓解66%到78%。
2024-10-04 cs.AI
IntelliGraphs: Datasets for Benchmarking Knowledge Graph Generation
University of Amsterdam（阿姆斯特丹大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对现有知识图谱相关任务未充分关注结构语义的问题，该研究提出子图推理任务，构建了含逻辑语义的IntelliGraphs数据集及生成器，通过实验验证传统KGE基线模型无法捕捉语义，以推动语义导向的机器学习模型研发。
2023-08-25 cs.AI cs.LG
Generalized Relation Learning with Semantic Correlation Awareness for Link Prediction
Nankai University（南开大学）；Ludong University（鲁东大学）；National University of Singapore（新加坡国立大学）；RIKEN（日本理化学研究所）；University of Innsbruck（因斯布鲁克大学）
开发链接预测模型以自动完成知识图谱近来已成为重要研究兴趣的焦点。现有的链接预测方法存在两个问题：1）KG中的关系分布通常是不平衡的; 2）在实际应用中存在许多不可见的关系。这两个问题限制了现有链接预测模型的训练效果和实际应用。我们主张从整体上理解KG，并在这项工作中提出了一个统一的广义关系学习框架GRL来解决上述两个问题，它可以插入到现有的链接预测模型。GRL进行广义关系学习，它意识到关系之间的语义相关性，作为连接语义相似关系的桥梁。经过GRL训练后，向量空间中语义相似关系的贴近度和不相似关系的区分度都得到了提高。我们在六个基准测试上进行了全面的实验，以证明GRL在链接预测任务中的优越能力。特别是，GRL被发现，以提高现有的链接预测模型，使他们不敏感的不平衡的关系分布，并能够学习看不见的关系。
2021-04-18 cs.AI
SCOPE and SCION: A Benchmark and an Auditable Reference Pipeline for Schema Induction and Fusion from Text
Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China（信息工程研究所，中国科学院，北京，中国）；School of Cyber Security, University of Chinese Academy of Sciences, Beijing, China（网络安全学院，中国科学院大学，北京，中国）；School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing, China（人工智能学院，中国科学院大学，北京，中国）
研究针对模式图这一信息提取瓶颈，提出SCOPE基准和SCION参考管道。通过从训练文本构建候选空间，经严格JSON合同进行相关操作。在SCOPE核心套件上，SCION-lite表现最佳，SCION-RL减少对专有工程师依赖，还给出标准化结果及相关发布内容。
2026-07-27 cs.AI cs.LG
FinMultiHopQA: A KG-Grounded Multi-Hop Financial QA Benchmark for Evidence-Driven Reasoning
Domyn
本研究提出金融多跳问答基准FinReflectKG - MultiHop，基于带时间索引的金融知识图谱生成带证据的问答对，实验证明KG引导的精确检索可大幅提升问答正确率并降低token消耗。
2026-11-06 cs.AI q-fin.CP
Knowledge graph based methods for record linkage
Computer Vision Center（计算机视觉中心）；Universitat Autònoma de Barcelona（巴塞罗那自治大学）；Demographic Center Studies（人口研究中心）
如今，它是常见的历史人口学的个人层面的数据作为一个主要的生命过程的方法的理解的人口行为，家庭过渡，流动性等的结果，使用记录链接进步是关键，因为它允许增加的数量和数据的复杂性进行分析，在这些学科。然而，当前的方法被限制为链接来自相同种类的源的数据。知识图谱是灵活的语义表示，它允许以结构化的方式对数据变化和语义关系进行编码。本文提出了利用知识图谱来解决记录连接任务。所提出的方法，命名为{ \bf WERL}，利用主要的知识图谱属性和学习嵌入向量编码普查信息。这些嵌入被适当地加权以最大化记录链接性能。我们已经评估了这种方法的基准数据集，我们已经比较了相关的方法与刺激和令人满意的结果。
2020-03-06 cs.AI cs.CV
Managing FAIR Knowledge Graphs as Polyglot Data End Points: A Benchmark based on the rdf2pg Framework and Plant Biology Data
Rothamsted Research（洛桑研究所）；Aragon Institute of Engineering Research (I3A)（阿拉贡工程研究所（I3A））；University of Zaragoza（萨拉戈萨大学）；Arcade Data Ltd（Arcade Data 有限公司）
本文提出rdf2pg框架，将RDF数据映射为标记属性图，并基准测试Virtuoso、Neo4j、ArcadeDB及SPARQL、Cypher、Gremlin，以支持知识图谱的多语言访问。
2025-05-23 cs.AI cs.DB
Anchor Prediction: Automatic Refinement of Internet Links
Stanford University（斯坦福大学）；Google DeepMind（谷歌DeepMind）
本文提出anchor prediction任务以自动识别链接目标网页中最相关的具体部分，并发布了AuthorAnchors和ReaderAnchors数据集，同时通过基于T5的排序方法建立基线，表明该任务仍有很大改进空间。
2023-05-24 cs.CL cs.IR
A Unified Framework for Rank-based Evaluation Metrics for Link Prediction in Knowledge Graphs
Harvard Medical School（哈佛医学院）；LMU Munich（慕尼黑大学）；Mila（米拉研究所）；McGill University（麦吉尔大学）；Siemens AG（西门子股份公司）
在训练数据中没有显式负三元组的知识图谱上的链接预测任务促使使用基于秩的度量。在这里，我们回顾现有的排名为基础的指标，并提出改进的指标，以解决缺乏解释性和现有指标的可比性，不同大小和属性的数据集的必要条件。我们介绍了一个简单的理论框架，基于排名的指标，我们调查两种途径，通过替代聚合函数和概率论的概念，以改善现有的指标。最后，我们提出了几个新的排名为基础的指标，更容易解释和比较伴随着示范他们的使用基准的知识图谱嵌入模型。
2022-04-19 cs.AI cs.LG
OpenBioLink: A benchmarking framework for large-scale biomedical link prediction
Medical University of Vienna（维也纳医科大学）
摘要：最近，新型机器学习算法显示出预测生物医学知识网络中未发现的链接的潜力。然而，用于衡量算法进展的专用基准尚未出现。通过OpenBioLink，我们引入了一个大规模，高质量和极具挑战性的生物医学链接预测基准，以透明和可重复地评估此类算法。此外，我们提出了初步的基线评估结果。可用性和实施：源代码、数据和补充文件可在https://github.com/OpenBioLink/OpenBioLink上公开获取。联系人：matthias.samwald（（at））meduniwien.ac.at
2020-02-19 cs.AI cs.IR
TweetNERD -- End to End Entity Linking Benchmark for Tweets
Twitter, Inc.（推特公司）
命名实体识别和消歧（NERD）系统是信息检索、问答、事件检测和其他自然语言处理（NLP）应用的基础。我们介绍了TweetNERD，一个2010-2021年的340 K+推文数据集，用于对推文上的NERD系统进行基准测试。这是NERD在Twitter上最大和最具时间多样性的开源数据集基准，可用于促进该领域的研究。我们描述了三个NERD任务的TweetNERD评估设置：命名实体识别（NER），实体链接与真实跨度（EL），端到端实体链接（End 2 End）;并提供现有的公开方法对特定TweetNERD分裂的性能。TweetNERD可在：https://doi.org/10.5281/zenodo.6617192根据知识共享署名4.0国际（CC BY 4.0）许可证。请访问https://github.com/twitter-research/TweetNERD查看更多详细信息。
2022-10-14 cs.AI cs.CL cs.IR
TeleGraph: A Benchmark Dataset for Hierarchical Link Prediction
Fudan University（复旦大学）；The Chinese University of Hong Kong（香港中文大学）
针对现有链接预测方法在稀疏层次网络上的不足，本文提出电信网络基准数据集TeleGraph，并通过实验表明多数算法在近树状数据上性能不佳，为实际部署提供警示。
2024-01-14 cs.AI cs.SI
Benchmarking Network Embedding Models for Link Prediction: Are We Making Progress?
Ghent University（根特大学）；Dept. of Electronics and I. S.（电子与信息系统系）
网络嵌入方法将网络的节点映射到嵌入空间中的向量，使得这些表示对于估计网络中的节点对之间的相似性或接近度的一些概念是有用的。然后，通过下游预测任务的结果来展示这些节点表示的质量。然而，诸如链接预测之类的常用基准任务呈现出复杂的评估管道和丰富的设计选择。这一点，再加上缺乏标准化的评价机制，可能会掩盖该领域的实际进展。在本文中，我们的目标是阐明最先进的网络嵌入方法的链接预测，并显示，使用一致的评估管道，只有薄的进展，在过去几年中取得的。我们在这里提出的新进行的基准测试，包括17种嵌入方法，也表明许多方法甚至比简单的嵌入方法更好。最后，我们认为，标准化的评估工具可以修复这种情况，并促进在这一领域的未来进展。
2020-09-03 cs.AI cs.LG cs.SI
LInK: Learning Joint Representations of Design and Performance Spaces through Contrastive Learning for Mechanism Synthesis
Massachusetts Institute of Technology（麻省理工学院）；IBM Research（IBM研究院）
本文提出LInK框架，结合对比学习与优化技术解决工程设计逆问题，聚焦平面连杆轨迹综合，通过联合表示实现千万级数据集快速检索，在现有基准上误差降28倍、耗时减20倍，还引入更难的LINK ABC基准，推动机构设计并拓宽对比学习应用。
2024-10-04 cs.AI cs.LG
Rethinking Link Prediction for Directed Graphs
Technical University of Munich（慕尼黑工业大学）
该研究针对有向图链接预测方法缺乏表达能力分析与有效基准的问题，提出评估框架和新型基准DirLinkBench，改进DiGAE提出SDGAE并取得最优性能，同时梳理了领域关键挑战。
2025-05-21 cs.AI cs.LG
Job2Vec: Job Title Benchmarking with Collective Multi-View Representation Learning
Rutgers University（罗格斯大学）；Baidu Inc（百度公司）；Northeastern University（东北大学）；University of Central Florida（中佛罗里达大学）
职位基准（JTB）旨在将不同公司的职位与相似的专业知识水平相匹配。JTB可以为人才招聘和求职者提供准确的指导和相当大的便利，以进行职位和薪酬校准/预测。传统的JTB方法主要依赖于人工市场调查，这是昂贵和劳动密集型的。近年来，在线职业图谱的快速发展积累了大量的人才职业记录，这为数据驱动的解决方案提供了一个很好的趋势。然而，这仍然是一项具有挑战性的任务，因为（1）职位名称和职位转换（跳槽）数据是混乱的，其中包含许多针对同一职位的主观和非标准命名约定（例如，程序员、软件开发工程师、工程师、实施工程师），（2）存在大量缺失的职位/过渡信息，以及（3）一个人才只寻求有限数量的工作，这带来了建模工作过渡模式的不完整性和随机性。为了克服这些挑战，我们聚合所有的记录来构建一个大规模的职位基准图（Job-Graph），其中节点表示与特定公司相关的职位，链接表示职位之间的相关性。我们将JTB重新定义为在Job-Graph上进行链接预测的任务，匹配的职位应该有链接。沿着这条线，我们提出了一个集体的多视图表示学习方法（Job 2 Vec），通过检查工作图联合在（1）图拓扑视图，（2）语义视图，（3）工作过渡平衡视图，（4）工作过渡持续时间视图。我们融合的多视图表示的编码-解码范例，以获得一个统一的最佳表示的任务的链接预测。最后，我们进行了大量的实验，以验证我们提出的方法的有效性。
2020-09-16 cs.AI
Multimodal Causal Reasoning Benchmark: Challenging Vision Large Language Models to Discern Causal Links Across Modalities
School of Computer Science, The University of Sydney（计算机科学学院，悉尼大学）
本文提出多模态因果推理基准MuCR，利用合成孪生图像和文本对挑战MLLMs，发现其跨模态推理弱于纯文本，并开发VcCoT策略通过突出视觉线索有效增强该能力。
2025-05-26 cs.AI cs.CV
Bridging Theory and Practice in Link Representation with Graph Neural Networks
Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）；University of Trento（特伦托大学）；University of Aalborg（奥胡斯大学）
本文首次全面研究了GNN在链接表示中的表达能力，提出统一框架和合成评估基准，证明表达能力强的模型在对称性高的数据上表现更优。
2025-06-30 cs.AI cs.LG
GRAFT: Biological Graph and Hypergraph Benchmarks for Linked Gene Expression and Phenotypic Trait Prediction in Arabidopsis thaliana
Department of Electrical Engineering and Computer Science, University of Arkansas（电气工程与计算机科学系，亚拉巴马大学）；Department of Entomology and Plant Pathology, University of Arkansas（昆虫学与植物病理学系，亚拉巴马大学）；Department of Animal Science, University of Arkansas（动物科学系，亚拉巴马大学）；School of Plant Sciences, University of Arizona（植物科学学院，亚利桑那大学）；Georgia State University（佐治亚州立大学）；CVIU Lab, University of Arkansas（CVIU实验室，亚拉巴马大学）
提出GRAFT多模态数据集，整合拟南芥基因表达与表型性状数据，支持表型预测和可解释图学习，并基准测试回归与超图基线方法。
2026-06-29 cs.AI q-bio.GN
Towards Understanding Link Predictor Generalizability Under Distribution Shifts
Michigan State University（密歇根州立大学）
针对链接预测任务中分布偏移研究不足的问题，本文提出利用结构特性引入受控分布偏移的LPShift划分策略，并通过16种变体上的实验揭示了图结构对模型泛化性能的显著影响。
2025-07-16 cs.AI cs.LG
The Labyrinth of Links: Navigating the Associative Maze of Multi-modal LLMs
Shanghai Jiao Tong University（上海交通大学）；Shanghai Innovation Institute（上海创新研究院）
本文针对多模态LLMs被忽视的联想能力提出无标注基准，设计单步、同步和异步任务，系统评估显示当前最先进模型与人类存在显著差距。
2025-03-03 cs.AI cs.CL cs.CV
New Perspectives on the Evaluation of Link Prediction Algorithms for Dynamic Graphs
Ghent University（根特大学）
本文针对动态图链路预测评估中负采样类型和时间变化带来的复杂性，提出新的可视化方法，并在节点和边层面实证分析了负采样对预测性能的影响，为多层面评估动态链路预测方法提供指导。
2023-11-30 cs.AI cs.SI
C-MAG: Cascade Multimodal Attributed Graphs for Supply Chain Link Prediction
School of Manufacturing Systems and Networks, Arizona State University（制造系统与网络学院，亚利桑那州立大学）
针对供应链中多模态数据建模难题，提出PMGraph基准和C-MAG两阶段架构，通过多尺度消息传递融合多模态属性以提升链接预测准确性。
2025-08-13 cs.AI cs.LG
AneumoBench: A Source-Linked Benchmark for Synthetic-Geometry Transfer in Aneurysm CFD
Artificial Intelligence Innovation and Incubation Institute, Fudan University（复旦大学人工智能创新与孵化院）；Shanghai Academy of Artificial Intelligence for Science（上海人工智能科学研究院）；Huashan Hospital, Fudan University（复旦大学华山医院）；Human Phenome Institute, Fudan University（复旦大学人类表型研究院）
该研究构建了一个包含427个真实动脉瘤几何形状、10,660个合成3D形状和85,280个CFD血流动力学数据的大规模多模态数据集，并提供了血流参数估计基准，以推动动脉瘤研究和数据驱动方法的发展。
2026-10-01 cs.AI cs.CV cs.LG
Link Prediction with Relational Hypergraphs
University of Oxford（牛津大学）；Universidad Católica de Chile（智利天主教大学）
本文提出关系超图链接预测框架，使图神经网络适用于 k 元完全关系结构，并结合关系型 Weisfeiler-Leman 算法与逻辑表达性分析其能力，实验在归纳式和直推式任务上取得优异结果。
2025-06-09 cs.AI cs.LG
Reification as a Transferable Vocabulary: Zero-Shot Link Prediction with Vanilla GNNs
Matr
通过将知识图谱具体化为固定六元关系词汇的表示，普通GNN即可实现零样本链接预测，其中现成GAT性能媲美专用基础模型ULTRA，并扩展至关系数据库外键预测。
2026-09-11 cs.AI cs.LG
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
Neo-GNNs: Neighborhood Overlap-aware Graph Neural Networks for Link Prediction
Korea University（高丽大学）
图神经网络（GNN）已经被广泛应用于各种领域，用于对图结构数据进行学习。它们在节点分类和图分类等各种任务上都比传统的探试法有了显着的改进。然而，由于GNN严重依赖于平滑的节点特征而不是图结构，因此它们在链接预测中通常表现出比简单的探试法差的性能，其中结构信息，例如，重叠的邻域、度和最短路径是至关重要的。为了解决这一限制，我们提出了邻域重叠感知图神经网络（Neo-GNNs），它从邻接矩阵中学习有用的结构特征，并估计用于链接预测的重叠邻域。我们的Neo-GNNs推广了基于邻域的探试法，并处理重叠的多跳邻域。我们在Open Graph Benchmark数据集（OGB）上进行的大量实验表明，Neo-GNN在链接预测中始终达到最先进的性能。我们的代码可在https://github.com/seongjunyun/Neo_GNNs上公开获取。
2022-06-09 cs.AI cs.LG
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
Complex Embeddings for Simple Link Prediction
Xerox Research Centre Europe（施乐欧洲研究中心）；Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；University College London（伦敦大学学院）
在统计关系学习中，链接预测问题是自动理解大型知识库结构的关键。在以前的研究中，我们建议解决这个问题，通过潜在的因式分解。然而，这里我们使用了复值嵌入。复合嵌入的合成可以处理大量的二元关系，其中包括对称和反对称关系。与神经张量网络和全息嵌入等最先进的模型相比，我们基于复杂嵌入的方法可以说更简单，因为它只使用Hermitian点积，这是实向量之间标准点积的复杂对应物。我们的方法可扩展到大型数据集，因为它在空间和时间上都保持线性，同时在标准链接预测基准上始终优于其他方法。
2016-06-20 cs.AI cs.LG stat.ML
AutoGEL: An Automated Graph Neural Network with Explicit Link Information
The Hong Kong University of Science and Technology（香港科技大学）
最近，图神经网络（GNN）在各种现实世界的场景中越来越受欢迎。尽管取得了巨大的成功，但GNN的架构设计严重依赖于手工劳动。因此，自动图神经网络（AutoGNN）引起了研究界的兴趣和关注，近年来取得了显着的性能改善。然而，现有的AutoGNN工作主要采用隐式的方式来建模和利用图中的链接信息，这对于图上的链接预测任务没有很好的正则化，并且限制了AutoGNN对其他图任务的性能。在本文中，我们提出了一种新的AutoGNN工作，明确建模的链接信息，简称AutoGEL。通过这种方式，AutoGEL可以处理链接预测任务，并提高AutoGNN在节点分类和图分类任务上的性能。具体而言，AutoGEL提出了一种新的搜索空间，包含层内和层间设计的各种设计维度，并采用了更强大的可微搜索算法，以进一步提高效率和有效性。在基准数据集上的实验结果证明了AutoGEL在多个任务上的优越性。
2021-12-02 cs.AI cs.LG
