通过对负采样的可能性进行分类，并引入新的可视化方法以研究预测性能和时间网络动态，我们验证了错误通常在不同数据段之间不均匀分布，并认为这些可视化工具可以成为评估不同层次的动态链接预测方法的强大指南。

Nov, 2023

提出了新的评估过程和数据集，以更好地比较不同方法在时间演化图中的强弱，并提出了 EdgeBank 纯记忆基线，该基线有效地解决了当前评估设置中容易的负面边问题，并通过提出更具挑战性的负采样策略改进了鲁棒性和更好地匹配了现实世界的应用。

Jul, 2022

本研究通过重新构建动态连接预测作为链接预测任务，更好地考虑了数据中的时间信息，解决了常见评估方法引起的模型性能不准确和方法公平比较困难的问题。

Jun, 2024

最近发布的时间图基准被分析在动态链接属性预测的背景下，我们提出了一个简单的无优化基线，即 “最近流行节点”，在时间图基准的所有中型和大型数据集上优于其他方法。我们提出了两种基于 Wasserstein 距离的度量方式，可以量化数据集的短期和长期全局动态的强度。通过分析我们出乎意料的强基线，我们展示了标准的负采样评估对于具有强时间动态的数据集可能不适用。我们还展示了简单的负采样在训练过程中可能导致模型退化，导致无法排名的、完全饱和的预测结果。我们提出了改进的负采样方案，用于训练和评估，并证明了它们的有用性。我们与非对比训练的模型进行了比较，没有进行负采样。我们的结果提供了一个具有挑战性的基准，并表明时间图网络架构在具有重大全局动态的问题中，如社交媒体、加密货币市场或电子商务中，需要进行深入的思考。我们公开发表了基线、测量和提出的负采样方案的代码。

Sep, 2023

该研究探索了多层次负采样的新策略，通过潜空间产生具有灵活和可控的 “难度” 级别的负节点，从而实现了有效的图链接预测。实验证明了该方法的有效性。

Mar, 2024

我们在动态网络的链接预测问题中，提出了一种基于半监督图嵌入的方法，使用加权损失函数来同时反映时空和快照结构信息，从而提高模型的预测性能，并在三个真实动态网络上展示了方法的有效性。

Oct, 2016

通过广泛的实验，我们研究了训练动态图神经网络时时间粒度对性能和鲁棒性的影响，发现复杂的记忆机制和合适的时间粒度对于在动态链接预测任务中获得竞争力和鲁棒性的动态图神经网络至关重要。我们还讨论了考虑模型和数据集中的局限性，并提出了未来关于时间图时间粒度的研究方向。

Nov, 2023

提出了一个基于非参数方法的链接预测算法，该算法结合了端点特征和端点周围邻居的特征，可以分析不同类型的图并给出了一种基于局部敏感哈希的快速实现，实验证明该方法表现优于现有算法。

Jun, 2012

本文通过实证研究，对比了对知识图谱中实体之间关系进行无监督学习的四种嵌入模型（ escal，TransE，DistMult 和 ComplEX）使用不同负采样方法的效果，结果发现使用不同负采样方法得到的效果差异较大，且在不同数据集上表现也各有不同。

Aug, 2017

本文研究了链接预测领域中评估方法的挑战，提出了新的方法以替代目前方法，提供准确可靠的预测结果，并建议使用精确度 - 召回率曲线和相关面积来解决链接预测分类问题中存在的极端不平衡挑战。

May, 2015