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
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
Benchmarking Graph Neural Networks on Link Prediction
Auburn University（奥本大学）
在本文中，我们基准测试几个现有的图神经网络（GNN）模型在不同的数据集上的链接预测。特别地，图卷积网络（GCN）、GraphSAGE、图注意力网络（GAT）以及变分图自动编码器（VGAE）被实现为专用于链接预测任务，执行深入分析，并且复制来自几篇不同论文的结果，还提供了更公平和系统的比较。我们的实验表明，这些GNN架构执行类似的各种基准链接预测任务。
2021-02-24 cs.LG
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
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
Linkless Link Prediction via Relational Distillation
University of Notre Dame（圣母大学）；University of California, Riverside（加州大学河滨分校）；University of California, Los Angeles（加州大学洛杉矶分校）；Snap Inc.（Snap公司）
针对GNN链路预测延迟高而MLP缺乏关系知识的问题，本文提出关系蒸馏框架LLP，通过围绕锚节点的排序与分布匹配训练MLP，在多数基准上超过教师GNN并实现70.68倍推理加速。
2023-06-05 cs.LG
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
How Neural Processes Improve Graph Link Prediction
The University of Sydney（悉尼大学）
链接预测是图数据分析中的一个基本问题。虽然大多数文献集中在需要所有图节点和大多数链接进行训练的转导链接预测上，但仅使用一部分节点及其链接进行训练的归纳链接预测在各种现实世界应用中是更具挑战性的问题。在本文中，我们提出了一个元学习方法与图神经网络的链接预测：神经过程图神经网络（NPGNN），它可以执行两个转导和归纳学习任务，并适应模式在一个大的新的图训练后，一个小的子图。在真实世界的图上进行实验来验证我们的模型，结果表明，与其他最先进的模型相比，所提出的方法具有更强的性能，同时在较小的子图上训练时具有很好的泛化能力。
2021-09-30 cs.LG stat.ML
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
Structure Enhanced Graph Neural Networks for Link Prediction
Alibaba Group（阿里巴巴集团）
图神经网络（GNNs）在各种任务中表现出了良好的效果，其中链接预测是一个重要的任务。GNN模型通常遵循以节点为中心的消息传递过程，该过程递归地将邻域信息聚合到中心节点。在这种范式下，节点的特征通过边传递，而不关心节点位于何处以及它们扮演的角色。然而，被忽视的拓扑信息被证明是有价值的链接预测任务。在本文中，我们提出了结构增强图神经网络（SEG）的链接预测。SEG引入路径标记方法来获取目标节点周围的拓扑信息，然后将其结构融入到普通的GNN模型中。通过联合训练结构编码器和深度GNN模型，SEG融合拓扑结构和节点特征，充分利用图信息。在OGB链接预测数据集上的实验表明，SEG在所有三个公共数据集上都取得了最先进的结果。
2022-01-14 cs.LG
Explaining Link Predictions in Knowledge Graph Embedding Models with Influential Examples
Accenture Labs（埃森哲实验室）
研究了知识图谱嵌入模型中链接预测的解释问题。我们提出了一个基于实例的方法，利用潜在的空间表示的节点和边缘的知识图谱来解释预测。我们通过观察有影响力的三元组删除后模型性能的逐步退化来评估识别三元组的重要性。我们的实验表明，这种方法产生的解释优于基线KGE模型的两个公开可用的数据集。
2022-12-05 cs.LG
Two-Dimensional Weisfeiler-Lehman Graph Neural Networks for Link Prediction
Peking University（北京大学）；Purdue University（普渡大学）；Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）
链接预测是图神经网络的一个重要应用。大多数现有的用于链接预测的GNN是基于一维Weisfeiler-Lehman（1-WL）检验的。1-WL-GNN首先通过迭代地将相邻节点特征传递到中心来计算节点表示，然后通过聚合成对节点表示来获得链路表示。正如以前的工作所指出的，这种两步过程导致低识别能力，因为1-WL-GNN本质上学习节点级表示而不是链路级表示。在本文中，我们研究了一个完全不同的方法，可以直接获得节点对（链接）表示的基础上\textit{two-dimensional Weisfeiler-Lehman (2-WL) tests}。2-WL测试直接使用链接（2-元组）作为消息传递单元，而不是节点，因此可以直接获得链接表示。从理论上分析了2-WL测试对非同构链接的判别能力，证明了其优于1-WL的链接判别能力。基于不同的2-WL变体，我们提出了一系列新的2-WL-GNN模型用于链接预测。在广泛的真实世界数据集上进行的实验证明了它们与最先进的基线相比的竞争性能和优于普通1-WL-GNN的优势。
2022-06-20 cs.LG
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
Promoting Fairness in Link Prediction with Graph Enhancement
University of California, Irvine（加州大学欧文分校）
针对链接预测的不公平性问题，提出FairLink方法，通过学习公平性增强图免去预测器训练中的去偏步骤，兼顾预测准确率与公平性，且在不同GNN架构下泛化性强。
2024-09-13 cs.LG
Self-Explainable Graph Neural Networks for Link Prediction
The Pennsylvania State University（宾夕法尼亚州立大学）；Florida International University（佛罗里达国际大学）；Amazon（亚马逊）；Michigan State University（密歇根州立大学）
针对GNNs在链接预测中可解释性差及事后解释器次优的问题，提出一种自解释GNN框架，通过寻找节点的K个重要邻居学习特定于对的表示，同时实现准确预测与解释。
2023-05-21 cs.LG
Inductive Link Prediction in Knowledge Graphs using Path-based Neural Networks
Sorenson Communications（索伦森通信公司）；Florida State University（佛罗里达州立大学）
针对知识图谱归纳式链接预测中现有模型需微调或泛化性不足的问题，提出仅依赖关系和路径嵌入的SiaILP模型，在多个基准数据集上取得新的最优性能。
2024-07-08 cs.LG
Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction
KAIST（韩国科学技术院）；AITRICS
许多实际的图问题，如知识图谱构建和药物相互作用预测，需要处理多关系图。然而，使用图神经网络（GNN）处理现实世界的多关系图通常具有挑战性，因为它们的演化性质，随着时间的推移，新的实体（节点）可能会出现。此外，新出现的实体往往没有什么联系，这使得学习更加困难。出于这一挑战，我们引入了一个现实的问题，Few-Shot出图链接预测，在那里我们不仅预测看到的和看不见的节点之间的链接，在传统的知识外链接预测任务，但也看不见的节点之间，每个节点只有很少的边缘。我们用一个新的转导元学习框架来解决这个问题，我们称之为图外推网络（GEN）。GEN元学习用于归纳推理（seen-to-unseen）的节点嵌入网络和用于转导推理（unseen-to-unseen）的链接预测网络。对于直推式链接预测，我们进一步提出了一个随机嵌入层来模拟未知实体之间的链接预测中的不确定性。我们在多个基准数据集上验证了我们的模型，用于知识图谱完成和药物相互作用预测。结果表明，我们的模型显着优于相关基线的图外链接预测任务。
2020-10-29 cs.LG stat.ML
Early-Exit Graph Neural Networks for Link Prediction
University of Cambridge（剑桥大学）；Sapienza University of Rome（罗马大学）
提出一种无需辅助损失的早期退出策略，在GCN和SAS-GNN骨干网络上实现链接预测的加速，同时保持或提升预测质量。
2026-06-23 cs.LG
MSGCN: Multiplex Spatial Graph Convolution Network for Interlayer Link Weight Prediction
Analytics Institute, University of Oklahoma（分析研究院，俄克拉荷马大学）；School of Computer Science, University of Oklahoma（计算机科学学院，俄克拉荷马大学）
本文提出MSGCN，通过多层空间图卷积预测跨层链接权重，验证了其在多种网络结构中的鲁棒性和准确性，应用于伦敦交通网络预测乘客负载。
2026-03-17 cs.LG
Path-aware Siamese Graph Neural Network for Link Prediction
Zhejiang Lab（之江实验室）
在本文中，我们提出了一个路径感知的连体图神经网络（PSG）的链接预测任务。首先，PSG捕获节点和给定的两个节点的边缘特征，即k-邻域的结构信息和节点的中继路径信息。此外，提出了一种新的多任务GNN框架与自监督对比学习的区别的积极的链接和消极的链接，而内容和行为的节点可以同时捕获。我们评估所提出的算法PSG上的两个链接属性预测数据集，ogbl-ddi和ogbl-collab。PSG在提交前在ogbl-ddi上获得了前1名的性能，在ogbl-collab上获得了前3名的性能。实验结果验证了我们提出的PSG的优越性
2022-11-17 cs.AI 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
A Deep Graph Neural Networks Architecture Design: From Global Pyramid-like Shrinkage Skeleton to Local Topology Link Rewiring
Shanghai Jiao Tong University（上海交通大学）
表达性在评估深度神经网络中起着基础性的作用，它与理解性能改进的极限密切相关。在本文中，我们提出了一个三管道的训练框架的基础上的关键表现力，包括全球模型收缩，权重进化，链接的权重重新布线。具体来说，我们提出了一个类似于骨架的骨架，以克服影响信息传输的鞍点。然后，我们分析了网络拓扑结构中的模块化（聚类）现象的原因，并使用它来重新布线潜在的错误加权链接。我们对节点分类进行了数值实验，结果证实了所提出的训练框架在快速收敛和对潜在错误加权链接的鲁棒性方面显着提高了性能。GNN的结构设计从动力学和拓扑空间两个方面验证了GNN的表达能力，为设计更高效的神经网络提供了指导。
2020-12-16 cs.AI cs.LG
Evaluating Link Prediction Explanations for Graph Neural Networks
CENTAI Institute（CENTAI研究所）
本文针对图神经网络链路预测模型解释验证不足的问题，提出有/无真值情况下的定量评估指标，评估最先进可解释性方法，并探讨链路预测特定假设与技术细节对解释质量的影响。
2023-08-03 cs.AI cs.LG
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
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
Linking Bank Clients using Graph Neural Networks Powered by Rich Transactional Data
Risk Modeling & Research, Sberbank（Sberbank风险建模与研究部）；CDISE, Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究院（Skoltech）CDISE）
金融机构获得了大量关于用户交易和资金转移的数据，这些数据可以被认为是一个随时间动态变化的大型图表。在这项工作中，我们专注于预测银行客户端网络中的新交互的任务，并将其视为一个链接预测问题。我们提出了一种新的图神经网络模型，它不仅使用网络的拓扑结构，但丰富的时间序列数据可用于图的节点和边。我们评估开发的方法使用的数据由一家大型欧洲银行几年。所提出的模型优于现有的方法，包括其他神经网络模型，在ROC AUC分数的链接预测问题上有显着的差距，也可以提高信用评分的质量。
2020-01-23 cs.LG stat.ML
Link Prediction Based on Graph Neural Networks
Washington University in St. Louis（圣路易斯华盛顿大学）
链接预测是网络结构化数据的一个关键问题。链接预测算法使用一些评分函数，如公共邻居和Katz指数，来衡量链接的可能性。由于它们的简单性、可解释性和可扩展性，它们已经获得了广泛的实际用途。然而，每一种启发式算法都对两个节点何时可能链接有很强的假设，这限制了它们在这些假设失败的网络上的有效性。在这方面，更合理的方法应该是从给定的网络中学习合适的启发式，而不是使用预定义的启发式。通过提取每个目标链接周围的局部子图，我们的目标是学习将子图模式映射到链接存在的函数，从而自动学习适合当前网络的“启发式”。在本文中，我们研究这种启发式学习范式的链接预测。首先，我们发展了一个新的$γ$ -衰减启发式理论。该理论将大量的拓扑图统一在一个框架中，并证明了所有这些拓扑图都可以从局部子图中得到很好的近似。我们的研究结果表明，局部子图保留丰富的信息有关的链接存在。其次，基于$γ$ -衰减理论，我们提出了一种新的算法，利用图神经网络（GNN）从局部子图中学习算法。它的实验结果显示出前所未有的性能，在广泛的问题上一直工作得很好。
2018-11-20 cs.LG stat.ML
VertexSerum: Poisoning Graph Neural Networks for Link Inference
Northeastern University（东北大学）
针对GNNs中图链接的隐私泄露问题，提出图投毒攻击VertexSerum，通过放大连通性泄露并嵌入注意力机制提升链接推断准确度，在多数据集和GNN结构上AUC平均提升9.8%，且适用于黑盒与在线学习场景。
2023-08-02 cs.AI cs.CR cs.LG
Causal Lifting and Link Prediction
Vector Institute（向量研究所）；Purdue University（普渡大学）；Intel Labs（英特尔实验室）
针对路径依赖的链接形成问题，提出首个处理该依赖的因果链接预测模型，引入因果提升概念以利用有限干预数据识别因果查询，并证明结构性成对嵌入比现有节点嵌入偏差更低且能正确表示因果结构。
2023-07-27 cs.AI cs.LG stat.ME
Link Prediction via Graph Attention Network
Beijing Normal University（北京师范大学）
链接预测是根据当前观测到的部分网络来推断缺失的链接或预测未来的链接，是网络科学中的一个基本问题，有着广泛的应用前景。然而，传统的链接预测方法既不具有高的预测精度，也不能揭示隐藏在链接后面的信息。为了解决这个问题，我们将深度学习的最新技术推广到图上，并提出了一种新的链接预测模型- DeepLinker。DeepLinker不是使用节点标签信息来学习节点表示，而是使用链接作为监督信息。在五个图上的实验表明，DeepLinker不仅能够达到最先进的链接预测精度，而且还可以获得高效的节点表示和节点中心度排名。虽然表示是在没有任何监督节点标签信息的情况下获得的，但它们在节点排名和节点分类任务上仍然表现良好。
2019-10-29 cs.LG cs.SI
Leveraging Network Dynamics for Improved Link Prediction
University of Central Florida（中佛罗里达大学）；Sandia National Labs（桑迪亚国家实验室）
链接预测的目的是基于先前观察到的链接的示例来预测未来最有可能发生的连接。一个关键的见解是，在进行链接预测时，显式地对网络动态（链接创建或破坏的频率）进行建模是有用的。在本文中，我们介绍了一个新的监督链接预测框架，RPM（率预测模型）。除了网络相似性度量，RPM还使用预测的链接修改率，使用时间序列数据建模;它在Spark-ML中实现，并使用原始链接分布进行训练，而不是一个小的平衡子集。我们比较使用这个网络动力学模型直接创建时间序列的网络相似性措施。我们的实验表明，RPM，利用预测率，优于使用网络相似性措施，无论是单独或在一个时间序列。
2016-04-08 cs.LG cs.SI
Link Prediction on Heterophilic Graphs via Disentangled Representation Learning
The Pennsylvania State University（宾夕法尼亚州立大学）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）
链接预测是一项重要的任务，在各个领域有着广泛的应用。然而，现有的大多数链接预测方法都假设给定的图遵循同构假设，并设计了基于相似性的推理或表示学习方法来预测链接。然而，现实世界中的许多图是异亲图，其中同伦假设不成立，这对现有的链接预测方法提出了挑战。通常，在异嗜图中，有许多潜在的因素导致链接的形成，并且两个链接的节点往往在一个或两个因素中相似，但可能在其他因素中不相似，导致整体相似性低。因此，一种方法是学习每个节点的解纠缠表示，每个向量捕获节点在一个因子上的潜在表示，这为在异嗜图中建模链接形成铺平了道路，从而导致更好的节点表示学习和链接预测性能。然而，这方面的工作相当有限。因此，在本文中，我们研究了一个新的问题，探索解纠缠表示学习的链接预测的异嗜图。我们提出了一个新的框架DisenLink，它可以学习解纠缠表示建模的链接形成和执行因素感知的消息传递，以促进链接预测。在13个真实数据集上的大量实验证明了DisenLink在嗜异性和血友病图上进行链接预测的有效性。我们的代码可在https://github.com/sjz5202/DisenLink上获得
2022-08-03 cs.LG cs.SI
Signed Link Prediction with Sparse Data: The Role of Personality Information
Arizona State University（亚利桑那州立大学）；Walmart Labs（沃尔玛实验室）
预测社交网络中的签名链接通常面临签名链接数据稀疏性的问题，即，仅给出了一小部分签名链接。当负链接的数量远小于正链接的数量时，问题会加剧。提升有符号链接预测需要额外的信息来补偿数据稀疏性。根据心理学理论，这些信息的一个丰富来源是用户的性格，如乐观和悲观，可以帮助确定她建立积极和消极联系的倾向。在这项研究中，我们调查如何个性信息可以获得，如果个性信息可以帮助减轻数据稀疏性问题的签署链接预测。我们提出了一种新的签署链接预测模型，使经验探索用户的个性，通过社会媒体数据。我们评估我们提出的模型上的两个数据集的真实世界签署的链接网络。结果表明，个性信息的补充作用，在签署的链接预测问题。实验结果也表明了不同层次的个性信息对签名链接数据稀疏性问题的有效性。
2019-03-06 cs.LG cs.SI
E-LSTM-D: A Deep Learning Framework for Dynamic Network Link Prediction
Zhejiang University of Technology（浙江工业大学）；City University of Hong Kong（香港城市大学）
预测网络中节点之间的潜在关系，称为链接预测，长期以来一直是网络科学中的一个挑战。然而，大多数研究只是集中在静态网络的链接预测，而现实世界的网络总是随着时间的推移，节点和链接的出现和消失。动态网络链接预测由于能更好地捕捉网络的演化特性而受到越来越多的关注，但大多数算法仍不能达到令人满意的预测精度。基于长短期记忆（LSTM）在处理时间序列方面的优异性能，本文提出了一种新的编码器-LSTM-解码器（E-LSTM-D）深度学习模型来预测端到端的动态链接。它可以处理长期的预测问题，并适合不同规模的网络与微调结构。据我们所知，这是第一次将LSTM与编码器-解码器架构一起应用于动态网络中的链接预测。这种新模型能够在一个统一的框架中自动学习结构和时间特征，可以预测以前从未出现在网络中的链接。大量的实验表明，我们的E-LSTM-D模型显着优于新提出的动态网络链接预测方法，并获得最先进的结果。
2019-02-22 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
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
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
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
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
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
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
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
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
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
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
Learning from Counterfactual Links for Link Prediction
University of Notre Dame（圣母大学）
学习预测丢失的链接对于许多基于图的应用程序非常重要。现有的方法被设计为学习观察到的图结构和一对节点之间的链接的存在之间的关联。然而，在学习预测图上的链接时，这两个变量之间的因果关系在很大程度上被忽略了。在这项工作中，我们通过提出一个反事实问题来考察这个因素：“如果图的结构与观察不同，链接还会存在吗？”“它的答案，反事实链接，将能够增加表示学习的图形数据。为了建立这些联系，我们采用因果模型，考虑信息（即，学习的表示）作为上下文，全局图结构属性作为处理，以及链接存在作为结果。我们提出了一种新的基于数据增强的链接预测方法，该方法创建反事实链接并从观察到的和反事实链接中学习表示。基准数据上的实验表明，我们的图学习方法在链接预测任务上达到了最先进的性能。
2022-06-03 cs.LG
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
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
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
Link Prediction via Generalized Coupled Tensor Factorisation
University of Copenhagen（哥本哈根大学）
本研究涉及缺失链接预测问题：预测感兴趣的实体之间存在缺失连接的问题。我们使用表示为异构数据的关系数据集的耦合分析来解决链接预测，即，矩阵和高阶张量形式的数据集。我们建议使用基于张量因子分解模型的概率解释的方法，即，广义耦合张量因子分解，它可以使用不同的损失函数同时将一大类张量模型拟合到具有共同潜在因子的高阶张量/矩阵。数值实验表明，通过耦合因子分解对多源数据进行联合分析可以提高链接预测的性能，而正确选择损失函数和张量模型是准确预测缺失链接的关键。
2012-08-30 cs.LG
