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

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

通过引入具有顶点类型信息的双向随机块模型，我们解决了双向网络社区检测问题，并提出了一种不需要投影且统计原理明确的方法，可产生可解释的结果，成功地应用于合成和真实世界中的双向网络中。

Mar, 2014

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

本文提出了一种无监督的 Dual HyperGraph Convolutional Network (DualHGCN) 模型，通过将多重二分网络转化为两组同质超图，并使用谱超图卷积算子以及内部和跨域间的信息传递策略来学习有效的节点嵌入，对四个真实数据集进行基准测试，展示了 DualHGCN 显著优于现有最先进方法，并且对不同的稀疏水平和不平衡节点分布具有鲁棒性。

Feb, 2021

本文对复杂网络中的链接预测方法进行了广泛的综述，将其分为四大类，包括基于相似性、基于概率、基于关系模型和基于学习的方法。此外，还介绍了一系列可用于研究链接预测的网络数据集。最后，讨论了最近的发展趋势和未来研究方向。

Jan, 2019

该研究探讨了图神经网络在链接预测中的群内公平性和偏好附着偏差，提出了新的群内公平度量，并提出了简单的训练策略以减轻群内不公平性。

Sep, 2023

本论文提出了一种新的神经网络方法，利用动态图表达用户 - 物品关系的演变，以更好地解决基于链接预测的推荐服务问题，实验证明在用户 - 物品关系随时间变化的场景中，该方法可以获得更好的预测结果，同时揭示了现有方法在面对这种变化时的严重影响。

Nov, 2018

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。

May, 2023