利用统一矩阵公式和 HL-GNN 方法，本研究提出了一种整合了各类算启发式方法和传统图神经网络的学习模型，通过广泛的实验验证了其高效性和显著优于现有方法的预测性能。
Jun, 2024
本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。
Dec, 2022
使用各种特征提取技术来为社交网络中的节点和边生成表示，以便预测缺失的连接，进而产生准确的推荐。
Mar, 2024
本文研究相似性和基于 GNN 的链接预测方法在同构图中的应用，通过在具有不同属性的多个基准图上的实验评估不同方法的性能。
Aug, 2020
本文以数据为中心的观点，旨在研究不同数据集中的链接预测原则，确认了三个关键因素：局部结构接近度、全局结构接近度和特征接近度，并揭示了它们之间的关系。新的洞察启发了 GNN4LP 模型设计以及选择适当基准数据集进行更全面评估的实用指导。
Oct, 2023
提出了一种名为 ELPH 的全图 GNN 和一种高度可扩展的模型 BUDDY，前者通过哈希传递子图草图以近似 SGNN 中的关键组件，后者使用特征预计算来规避 GPU 内存限制，而且两者在标准 LP 基准测试上性能均优于现有的 SGNN 模型
Sep, 2022
本研究通过分析节点邻近节点的贡献，得出最优可能性矩阵的解析式，进而预测网络中的缺失链接，并发现解析式中的一些局部相似性指数优于传统的相似性指数，如直接计算两个节点之间的 3 跳路径个数更能准确地预测缺失链接，而传统的 2 跳路径个数则不如该指数。
Mar, 2018
本文提出一种自我可解释的 GNN 框架，可以同时给出精确的预测和解释，通过找到一个节点的各种 $k$ 个重要邻居，为该节点到其他节点的链接学习对特定的表示，从而得出解释。
May, 2023
通过关系超图进行链接预测的研究，提出了两种框架，并通过相应的关系 Weisfeiler-Leman 算法和一些自然逻辑形式主义的广泛实证分析，证明了所提模型架构的表达能力。在各种关系超图基准测试中，所得到的模型架构明显优于每个基线模型，对于归纳链接预测具有领先水平的结果，从而开启了图神经网络在完全关系结构中的应用。
Feb, 2024
提出一种结合第一和第二组方法的两阶段方法，其中第一阶段确定与节点位置和动态行为相关的新特征，第二阶段应用子空间聚类算法对社会对象进行分组，以区分集群的强度，在 Facebook、Brightkite 和 HepTh 等真实数据集上进行了广泛的实验，并与该领域的一些先前技术进行了实验验证，证明了该方法的优越性。