- HeteroMILE：异质图的多层图表示学习框架
HeteroMILE 是一种可以使得当代图嵌入方法适应大型图的通用方法，在保持骨干结构的同时将大尺寸图编织成较小尺寸以减少计算成本，并且在链接预测和节点分类方面产生更好质量的嵌入。
- MPXGAT：一种基于注意力机制的深度学习模型，用于多重网络嵌入
MPXGAT 是一种基于注意力机制的深度学习模型，专门用于多重图嵌入，通过利用图注意力网络（GATs）的鲁棒性，它捕捉多重网络的结构，从而促进了网络多个层内和层间的准确链路预测。我们在各种基准数据集上进行的全面实验评估证实，MPXGAT 始 - 基于扩散的图网络负采样在链接预测中的应用
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。
- 通过链接预测的定向标准引用推荐与排名
我们探讨了链接预测作为自动获取与新文档的主题或背景相关的现有文献的代理方法。我们的模型使用基于变压器的图嵌入来编码每个文档的含义，这些文档作为引文网络中的节点呈现。我们展示了我们的模型生成的语义表示在推荐和排名任务中可以胜过其他基于内容的方 - xLP：用于主数据管理的可解释链接预测
展示用于链接预测的解释性解决方案，让用户选择更舒适的解释。
- IJCAI基于表示学习和启发式特征的社交网络链接预测
使用各种特征提取技术来为社交网络中的节点和边生成表示，以便预测缺失的连接，进而产生准确的推荐。
- 从链到树：将知识图谱中的链式规则细化为树状规则
我们提出了一种基于知识图谱的树状规则方法，可以扩展规则的应用范围和提高基于规则的方法的推理能力，并通过在四个公共数据集上的实验证明，相比链状规则，在链状规则归纳方法的基础上改进的树状规则在关联预测上表现更好。
- In-n-Out: 用于链接预测的图神经网络校准
深度神经网络的输出通常无法准确反映我们所预测事件的真实概率，而图神经网络在节点级别的分类中显示相反的行为，但在预测链接时，图神经网络通常表现出不同行为。本文提出了 IN-N-OUT 方法，通过对边缘分配真 / 假标签，来改善图神经网络在链接 - RCoCo：在黎曼空間中的多重网络對比集體鏈接預測
通过在 Riemannian 空间中协作进行网络内和网络间行为的对比模型 RCoCo，我们提出了一种新颖的 “几何感知多层网络中的集体链接预测” 方法，该方法通过估计网络上的 Ricci 曲率来实施 Riemannian 流形中的注意机制， - 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%。
- SSTKG: 简单时空知识图谱的解释性和多功能动态信息嵌入
本文介绍了一种新的框架：Simple Spatio-Temporal Knowledge Graph (SSTKG)，用于构建和探索时空知识图谱。通过新的三步嵌入方法，将时空数据整合到知识图谱中，输出嵌入可用于未来时间序列预测和空间信息推荐 - 节点复制提高冷启动链路预测
通过使用名为 NodeDup 的简单但有效的增强技术，研究论文提出了一种改进 GNN 对低度节点的链接预测性能的方法，从而在不损害高度节点性能的同时，在低度节点上显著改善性能。
- WWW通过地标和聚类对图进行层次化位置嵌入用于链接预测
使用代表性节点（地标）的位置信息，通过选择高度中心性节点作为地标，提供节点位置的参考点。该方法被应用于实际网络中，结合地标选择和图聚类，实现在不同层级上利用节点的位置信息，取得了关于链接预测的最新成果。
- BERT4FCA: 利用形式概念分析和 BERT 进行二分图链接预测的方法
BERT4FCA 是一种新颖的方法，使用形式概念分析（FCA）和 BERT 来进行双分图网络中的链接预测。在三个真实世界的双分图网络上的实验证明我们的方法优于之前的基于 FCA 的方法和一些经典方法，如矩阵因式分解和 node2vec。
- 链路预测的混合模型
介绍了一种适用于链接预测的简单的专家组合模型（Link-MoE），通过选择合适的专家基于各种类型的成对信息，该模型在各种真实世界数据集上取得了显著的性能提升。
- ICLRNetInfoF 框架：网络可用信息的测量与利用
给定节点属性图和图任务（链接预测或节点分类），我们能否判断图神经网络（GNN）能否表现良好？我们提出 NetInfoF，一个包括 NetInfoF_Probe 和 NetInfoF_Act 的框架，用于测量和利用网络可用信息（NUI）。Ne - 基于上下文学习的通用链接预测器
本研究介绍了一种名为 UniLP 的全能连接预测模型，它结合了启发式方法的普适性和参数化模型的模式学习能力，能够自动识别不同图表的连接模式并在无需针对性训练的情况下迅速应用于任何未知图表数据集。该模型通过 In-context Learni - 基于模式识别的时序图上的链路感知链路预测
通过利用查询链接的信息，我们提出了一种链接感知模型，可以识别时变图中可能存在的可靠模式，以改进链接预测的性能。在六个数据集上的实验证明，我们的模型表现优异，且链接预测结果可解释。
- 关系超图的链接预测
通过关系超图进行链接预测的研究，提出了两种框架，并通过相应的关系 Weisfeiler-Leman 算法和一些自然逻辑形式主义的广泛实证分析，证明了所提模型架构的表达能力。在各种关系超图基准测试中，所得到的模型架构明显优于每个基线模型，对于 - MQuinE：知识图谱嵌入模型中的 “Z - 悖论” 解决方案
为应对知识图谱嵌入模型中的 Z - 悖论，提出了一种新的 KGE 模型 MQuinE，可以更好地建模各种关系模式，包括对称 / 非对称关系、逆关系、1-N/N-1/N-N 关系和组合关系，并在链接预测任务上表现出较现有模型更好的性能。