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

LPFormer 是一种新方法，通过学习适应性地编码每个链接的成对编码，以实现链接预测，并通过建模与链接预测相关的多个因素的注意力模块来模拟链接之间存在的成对编码。大量实验证明，LPFormer 在许多数据集上能够达到最先进的性能同时保持效率。

Oct, 2023

介绍了一种适用于链接预测的简单的专家组合模型（Link-MoE），通过选择合适的专家基于各种类型的成对信息，该模型在各种真实世界数据集上取得了显著的性能提升。

Feb, 2024

通过利用输入向量的正交性，纯消息传递可以捕捉联合结构特征，我们引入了一种基于消息传递的链接预测模型（MPLP），它利用准正交向量来估计链接级结构特征，同时保留节点级复杂性。我们的方法在各个领域的基准数据集上对于基准方法有一致的优化效果。

Sep, 2023

本文研究了利用正链接和基于内容的相互作用来预测负链接的负链接预测问题，并提出了一个名为 NeLP 的可行的框架，该框架可以利用正链接和基于内容的相互作用来预测负链接，并在真实社交网络上进行了实验。

Dec, 2014

本文提出使用可学习的成对表示的神经公共邻居算法（Neural Common Neighbor, NCN）来解决关联预测任务中存在的成对关系问题。此外，为了解决网络不完整问题，也提出了两种干预方法（common neighbor completion 和 target link removal）。实验结果表明，与现有的强基线相比，该方法的表现更加优越，达到了关联预测任务中的最优水平。

Feb, 2023

本研究介绍了一种名为 UniLP 的全能连接预测模型，它结合了启发式方法的普适性和参数化模型的模式学习能力，能够自动识别不同图表的连接模式并在无需针对性训练的情况下迅速应用于任何未知图表数据集。该模型通过 In-context Learning (ICL) 的实现解决了不同图表之间独特分布导致的连接模式冲突问题，通过顺应上下文演示动态调整到各种目标图表，避免了负面迁移。通过严格的实验证明了 UniLP 在适应新的未知图表上的有效性，并展示了它与为特定数据集进行微调的参数化模型性能相当甚至胜过的能力。我们的发现突出了 UniLP 在连接预测领域中将启发式方法和参数化方法的优势结合于一个多用途框架中的潜力。

Feb, 2024

本文提出了一种在双分图中利用本地图结构的连接分数来扩展多个标准连通性预测方法的新方法，并与迭代度更新过程相结合，以利用局部图结构的方法。尽管该方法很简单且不涉及节点建模，但我们展示了它在四个广泛使用的基准测试上明显优于现有的基于 GNN 的 CF 方法，在 Amazon-Book 上，我们展示了 Recall 和 NDCG 都有超过 60％的提高，希望我们的工作能引发学术界重新关注协作过滤中的链接预测方面。

Mar, 2022

本文研究以知识蒸馏技术加快图神经网络（GNN）的边预测任务，尝试了基于预测对数和节点表示的两种直接应用知识蒸馏技术方法，提出了一种名为 LLP 的基于关系知识的框架，能够显著提高 MLP 的边预测性能，并比 GNNs 更高效。

Oct, 2022

本文提出了一种基于路径感知的孪形图神经网络（PSG）来进行链路预测任务，结合多任务图神经网络框架并采用自监督对比学习，能够同时捕捉节点内容和行为，实验结果在两个数据集上表现出卓越的性能。

Aug, 2022