- 利用图神经网络进行链接预测的统计保证
该研究使用线性图神经网络（LG-GNN）在由图元生成的图中进行链接预测任务，推导出了其性能的统计保证。通过建立均方误差的界限以及对 LG-GNN 检测高概率边的能力的保证，研究者证明了该方法适用于稀疏和稠密图，并在真实数据集和合成数据集上验 - 无需回顾：一种高效可扩展的时间网络表征学习方法
该论文介绍了一种高效的时间图表示学习（TGRL）框架，No-Looking-Back（NLB），通过使用一个 GPU 可执行的大小受限哈希表记录降采样的最近互动，实现了快速查询响应和最小的推理延迟，并在链接预测和节点分类中超过了其他竞争方法 - 大规模异构图中基于大型语言模型的可扩展链接预测
这篇论文描述了如何将大规模语言模型应用于图学习，提出了 LPNL（通过自然语言进行链接预测）框架来处理大规模异构图上的可扩展链接预测任务，并通过自我监督学习细调了基于 T5 模型的链接预测模型，实验证明 LPNL 在大规模图链接预测任务上表 - 在基于社交推荐项目中利用 Transformer 层改进图卷积网络
该研究通过引入多层 transformer 架构对 GCN 进行改进，重点集中于节点嵌入的编码器架构，利用注意力机制重新排列特征空间以获得更高效的下游任务嵌入，实验证明所提出的架构在传统链接预测任务上表现更好。
- 基于社区检测和图神经网络的科学文献链接预测方法
本研究介绍了一种创新方法，将社区检测算法与图神经网络（GNN）模型相结合，以增强科学文献网络中的链接预测。我们特别关注利用 Louvain 社区检测算法揭示这些网络中的潜在社区结构，并将其整合到 GNN 架构中以预测潜在链接。我们的方法论证 - 高维多重网络嵌入的层次聚合
我们提出了 HMGE，一种基于分层聚合的高维多重图嵌入方法，通过学习图维度的分层组合和在每个层次进行嵌入的方式，揭示了多重图维度中隐藏的复杂信息和潜在结构，并通过局部补丁和全局摘要之间的互信息最大化来训练模型以捕捉图中处于不同位置但具有全局 - 使用布隆签名学习可扩展的结构表示以进行链接预测
通过使用基于 Bloom 特征的消息传递框架，我们提出了一种学习结构化链接表示的方法，并证明其在速度和内存效率上比现有边缘模型更具表达力和可扩展性。
- 基于卷积匹配的图缩减用于可扩展的图神经网络训练
通过 CONVMATCH 算法和高度可扩展的变种 A-CONVMATCH，我们提出了一种用于创建保持图卷积输出的图摘要的算法，证明 CONVMATCH 在六个真实的链接预测和节点分类图数据集上是高效的，并且在显著减小图大小的同时保持了预测性 - 相似实体是否具有相似的嵌入？
知识图谱嵌入模型（KGEM）被用于链接预测，学习图谱实体的向量表示，这些模型中的 KGEM 实体相似性假设保持了图谱结构在嵌入空间中的位置相似性，而本文对实体在图谱中与嵌入空间中的相似性进行了正式评估，并研究不同 KGEM 模型的相似性概念 - 知识图谱中基于路径的神经网络的归纳链接预测
本文提出了使用孪生神经网络的基于路径的归纳链接预测模型 SiaILP，仅依赖关系和路径嵌入，可泛化到新实体而无需微调，实验证明该模型在归纳版本的 WN18RR、FB15k-237 和 Nell995 的链接预测任务中取得了多个最新的最优性能 - 学习去噪不可靠的相互作用，用于生物医学知识图的链接预测
利用生物医学知识图谱（KG）中的链接预测能够预测实体之间的未知相互作用，包括药物靶标相互作用（DTI）和药物药物相互作用（DDI），该研究提出了一种去噪链接预测框架（DenoisedLP），以在可学习的方式下，从局部子图中得到可靠的相互作用 - 超越传统：知识图谱中归纳、少样本和零样本链接预测调查
知识图谱在不同语义含义的实体之间建立联系。针对知识图谱中丢失的实体信息，研究主要集中在链接预测。本文对现有工作进行系统性回顾，发现了术语和任务定义的多样性，限制了最新工作之间的比较。因此，本文旨在深入剖析每个设置并提出统一的命名方式。
- 并非所有负例值得关注：元启动负采样框架用于链接预测
通过精心设计的 MeBNS 框架，以元学习支持的教师 - 学生 GNN 为基础，具备元学习的样本再加权模块，实现了当前基于负样本采样的链接预测器的改进，达到显著性能，适用于六个链接预测基准数据集。
- Dyport: 动态基于重要性的假设生成基准技术
该研究提出了一个新颖的 benchmarking 框架 Dyport，用于评估生物医学假设生成系统。利用经过筛选的数据集，在真实条件下测试这些系统，增强了我们评估的相关性。我们将筛选数据库中的知识整合到动态图中，并伴随着一种量化发现重要性的 - 网络生物学中链路预测应用评述
网络生物学中，基于网络结构表示异质基因组和分子实体之间的相互作用。本综述系统剖析了应用于静态和动态生物网络的局部、中心性和嵌入式链接预测方法的属性，并在疾病、基因、蛋白质、RNA、微生物组、药物和神经元之间的预测链接方面考察了当前链接预测度 - 知识图谱嵌入的位置敏感嵌入
知识图谱嵌入主要分为平移距离模型和语义匹配模型，在平移距离模型中，头尾实体的区分能力是一个关键挑战，而新颖的位置敏感嵌入 (LSE) 方法通过使用关系特定的映射来改变头实体，将关系概念化为线性变换，而不是简单的平移，它的理论基础、表现能力和 - 跨视图图形一致性学习的不变图表示
本文提出了一种跨视图图一致性学习（CGCL）方法，通过双向图结构增强方案从不完整的图结构派生出两个互补的增强视图，并利用 CGCL 模型学习不变的图表示，以实现链路预测，并通过理论分析和实验证明所提出的 CGCL 方法在图数据集上取得了竞争 - 基于结构实体锚点的高效对比知识图谱补全的统一结构和语义
使用预训练语言模型方法，结合实体锚点和负采样的方式有效地统一了结构信息和语义信息，提高了知识图谱完成任务的性能，尤其在关联预测任务上表现最佳，超过了现有结构为基础的方法。
- 应对边缘噪声的鲁棒链接预测
基于信息理论的鲁棒图信息瓶颈原则 (RGIB) 通过提取可靠的监督信号并避免表示崩溃，解决了边缘噪声对图中拓扑和目标标签的影响，实现了对鲁棒表示的学习目标。实验证实了我们的 RGIB 实例在多个嘈杂场景中的有效性。
- 通用知识图谱嵌入
从大规模互连的知识源中融合大型知识图谱，以学习通用知识图谱嵌入向量，使得这些嵌入能够在多个知识图谱中进行语义搜索和实体对齐，从而提高链接预测的语义表示能力。