不使用图神经网络的链路预测

May, 2023

Link Prediction without Graph Neural Networks

Zexi Huang, Mert Kosan, Arlei Silva, Ambuj Singh

TL;DR本文提出了一个新的以拓扑为中心的框架 Gelato，该框架使用了一个基于图学习的拓扑启发式方法，对由属性信息增强的图进行预测。通过与现有的基于图神经网络的方法进行比较，实验表明这个框架训练更快、推断更快、更精确，可用于解决连接预测中的类别不平衡问题。

Abstract

link prediction, which consists of predicting edges based on graph features, is a fundamental task in many graph applications. As for several related problems, graph neural networks (GNNs), which are based on an

link prediction graph neural networks topology-based heuristics class imbalance n-pair loss

发现论文，激发创造

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

生成式图神经网络用于链接预测

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

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

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

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

评估图神经网络在链接预测中的表现：现有缺陷和新基准测试

本研究旨在克服当前评估链接预测方法存在的问题，包括低于实际性能、部分数据集缺乏统一的数据集划分和评估指标以及易于负采样的不现实评估设置，通过使用相同的数据集和超参数搜索设置对著名方法和数据集进行公平比较，创建基于启发式相关抽样技术的实用评估设置，该评估设置通过多种启发式采样难负样本来提高新挑战和机遇，以与实际情况相一致。

Jun, 2023

异质性下的链接预测：一种受物理启发的图神经网络方法

基于 GRAFF 方法的 GRAFF-LP 扩展能够改善异质图下的链接预测性能，通过在一系列异质图数据集上的评估，相对 AUROC 提升达到最高 26.7%。

Feb, 2024

AutoGEL：一种带有明确链接信息的自动化图神经网络

本文介绍了一种新型自动图神经网络工作 AutoGEL，该网络在显式建模链接信息的基础上，采用不同 iable Search Algorithm 并提出了一种包含各种设计维度的搜索空间，有效地提高了 AutoGNN 的性能，进而改进了结点分类和图分类任务。

Dec, 2021

评估图神经网络的链接预测解释

本文提出了衡量链接预测解释质量的定量指标，通过使用这些指标对图神经网络的最先进可解释性方法进行评估，讨论了底层假设和特定于链接预测任务的技术细节对解释质量的影响。

Aug, 2023

基于 GNN 的图分类和链路预测综述

本综述文章研究了图卷积神经网络及其在节点分类等领域的应用，并阐述了构建图卷积算子和图池算子的关键步骤。

Jul, 2023