生成式图神经网络用于链接预测

Dec, 2022

Generative Graph Neural Networks for Link Prediction

Xingping Xian, Tao Wu, Xiaoke Ma, Shaojie Qiao, Yabin Shao...

TL;DR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。

Abstract

Inferring missing links or detecting spurious ones based on observed graphs, known as link prediction, is a long-standing challenge in graph data analysis. With the recent advances in deep learning, →

link prediction graph neural networks deep learning network reconstruction theory generative model

发现论文，激发创造

基于线性图神经网络的链接预测

本研究提出使用图论中的线图来解决原始图中的链路预测问题，将链路预测问题转化为其相应的线图的节点分类问题，实验结果表明该方法在不同应用的 14 个数据集上表现优异，同时参数更少，训练效率更高。

Oct, 2020

基于图神经网络的链接预测

本文研究了一种基于图神经网络的启发式学习方法，通过提取目标链接周围的局部子图，学习一个将子图模式映射到链接存在性的函数，从而自动学习适合当前网络的启发式算法，实验结果表明其性能优越。

Feb, 2018

使用子图草图的图神经网络进行链接预测

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

基于相似度和 GNN 的链接预测方法比较研究

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

重新审视链接预测：数据视角

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

知识图谱中基于路径的神经网络的归纳链接预测

本文提出了使用孪生神经网络的基于路径的归纳链接预测模型 SiaILP，仅依赖关系和路径嵌入，可泛化到新实体而无需微调，实验证明该模型在归纳版本的 WN18RR、FB15k-237 和 Nell995 的链接预测任务中取得了多个最新的最优性能。

Dec, 2023

基于图神经网络的启发式学习：一种用于链接预测的统一框架

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

LinkGPT: 教授大型语言模型预测丢失链接

本研究提出了 LinkGPT，首个用于链接预测任务的端到端训练的大型语言模型 (LLM)，通过有效整合结构信息和解决效率问题，在真实世界的图和零样本学习中取得了领先水平的性能。

Jun, 2024

LPGNet: 链接隐私图网络用于节点分类

本文提出了一种新的神经网络架构 LPGNet，用于处理带有隐私敏感边缘的图形。该网络通过巧妙地设计边缘结构的使用方式，在训练中提供差分隐私（DP）保证，并在多个数据集中进行了实证研究，表现出了较好的实用性和隐私安全性。

May, 2022

自解释图神经网络用于链路预测

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