- 未经训练的消息传递层的链接预测
无标记信息传递层在图神经网络中被探索，与完全训练的 MPNN 相比，能够在链路预测中表现出竞争性和优越性能，尤其在存在高维特征的情况下，并通过理论分析将其与基于路径的拓扑节点相似度测量相关联。因此，无标记信息传递架构被视为一种高效且可解释的 - KDD基于图信息瓶颈的自解释时变图网络
基于图信息瓶颈的自解释时态图网络（TGIB）是一种新的内置解释框架，能够同时对事件发生和解释进行预测，通过引入信息瓶颈理论中的随机性来对事件发生提供解释。实验结果表明，与现有方法相比，TGIB 在链接预测性能和可解释性方面具有优势。
- 基于嵌入式链接预测的规则挖掘改进
在本研究中，我们提出了一种新的方法，通过在给定知识图谱上应用预训练的实体和关系嵌入来增强知识图谱，并运用规则挖掘系统，从而结合了规则挖掘和基于嵌入的方法的优点，我们在七个基准数据集上进行了大量实验证明了我们的方法的有效性，并提供了开源实现、 - 图上分布偏移下链接预测方法的一般化能力研究
该论文通过引入针对链接预测的数据划分方式，研究了分布偏移对链接预测泛化性能的影响，并探索了提高链接预测泛化性能的方法。
- 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。
- 高效神经常见邻居用于时间图链接预测
我们提出了 TNCN，这是 NCN 的一个时间版本，用于预测时间图中的链接，并使用多跳公共邻居来学习更有效的成对表示。我们在五个大规模真实世界数据集上验证了我们的模型，并发现它在其中三个上实现了最新的最先进表现。此外，TNCN 在处理大型数 - 二分网络中的链接预测
通过实验比较 19 种处理二分图的链接预测方法，该研究提出了使用图卷积网络（GCN）改进的推荐系统作为二分图链接预测的新解决方案，并发现 GCN 的个性化推荐系统和基于启发式度量的方法如结构扰动法（SPM）都能够取得成功的结果。
- 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。
- LinkLogic: 透明的知识图谱预测的新方法和基准测试
该研究提出了一种名为 LinkLogic 的简单连接预测解释方法，并构建了第一个基于家族结构的连接预测解释基准，以定量和定性评估生成的解释的忠实度、选择性和相关性。
- SIG: 高效可自解释的连续时间动态图神经网络
针对连续时间动态图（CTDGs）上的预测困难，本文研究了自解释的动态图神经网络（GNNs）。我们旨在在动态图中预测未来的链接并同时提供因果解释。通过提出独立和混淆因果模型（ICCM）并将其整合到同时考虑效果和效率的深度学习结构中，我们解决了 - KDD重复感知邻居采样用于动态图学习
本文介绍了 RepeatMixer 模型，该模型通过考虑邻居采样策略和时间信息学习，学习源节点和目标节点的第一和高阶邻域序列的时间模式，进而提高了链接预测任务中的性能。
- 基于 PU 学习的准确链路预测
提出了一种基于正无标号（PU）学习的准确链接预测方法 PULL（PU-Learning-based Link predictor），它通过为每个边引入潜在变量并利用相对于这些变量的预期图结构，有效地防止链接预测器过度拟合观察到的图，在边不完 - 人类洞察与人工智能精确度的协调：共同推进知识图任务
通过人工智能与人类的合作，我们设计了一个名为 KG-HAIT 的系统，利用人类对知识图谱的洞察力来改进知识图谱嵌入模型，通过动态规划生成捕捉子图结构特征和语义相似性的人类洞察特征向量，并将其整合到知识图谱嵌入模型的训练中，取得了显著的性能提 - 可扩展离散动态图神经网络的输入快照融合
通过引入基于输入快照融合的动态图神经网络（SFDyG），本文在动态图领域解决了现有静态图模型无法适应的问题，并通过引入多图和 Hawkes 过程理论等方法提高了模型的可扩展性和预测性能。
- 基于随机游走的知识图谱嵌入算法：Subgraph2vec
在本研究中，我们介绍了一种名为 subgraph2vec 的知识图谱嵌入方法，通过在用户定义的子图内运行 walks，用于链接预测，并证明我们的方法在大多数情况下具有更好的性能。
- PHLP：链接预测的唯一持久同调 —— 可解释的特征提取
基于持久化同调的新方法用于链接预测，通过分析图的拓扑信息解释性能提高的原因。该方法不仅利用角度跳子图和新的节点标签方法来更好地区分图的信息，还结合已有的图神经网络模型，在各项基准数据集上均实现了优异的性能。
- 通过信息瓶颈进行链接预测的数据增强
通过数据增强方法 COmplete and REduce (CORE)，修复图中的缺失边同时去除噪音，提高模型的鲁棒性和性能，成为图表示学习中强大的鲁棒链路预测方法。
- 基于李群流形的因子张量异质性缓解方法，用于基于张量分解的时间知识图嵌入
我们提出了一种新的方法，将因子张量映射到统一的平滑 Lie 群流形上，以使因子张量的分布在张量分解中逼近均匀，从而克服了因子张量之间固有的异质性在张量融合过程中的显著障碍，并进一步限制了链接预测的性能。
- 带有监督对比正则化的公平图神经网络
我们提出了一种用于训练关注公平性的图神经网络的新模型，该模型通过整合监督对比损失和环境损失来提高准确性和公平性，实验证明该模型在三个真实数据集上优于其他现有的基于图的学习方法以及之前的模型。
- 子群移位下的新颖节点类别检测
通过结合受限制的回溯学习框架和高效的图链接预测机制，我们引入了一种新的方法，受限制的召回率优化与选择性链接预测 (RECO-SLIP)，以在具有次群体转变的带属性图中检测属于新类别的节点，并在多个图数据集上进行了全面的实证评估，证明了 RE