A Survey of Link Prediction Methods in Graphs |图链接预测方法综述 |arxivreview

简介: 图链接预测旨在推断节点间缺失或未来的连接,其核心价值在于缓解复杂网络中数据稀疏与结构依赖之间的张力。早期研究以启发式结构相似度为主线,通过共同邻居等指标量化连接概率,思路简洁却受制于局部拓扑假设。当图神经网络(GNNs)引入消息传递机制后,过平滑与过挤压问题逐渐暴露,限制了模型对长程依赖和全局结构的捕捉能力。为突破这一瓶颈,研究者转向引入社区结构、拉普拉斯位置编码及 Transformer 架构,用更强的全局感知能力换取对复杂拓扑的建模精度。与此同时,动态演化、多复层关系及公平性约束等新维度不断涌现,推动领域从单一精度导向转向多维目标权衡。

综述原文见 ArxivReview

导读

图链接预测旨在推断节点间缺失或未来的连接,其核心价值在于缓解复杂网络中数据稀疏与结构依赖之间的张力。早期研究以启发式结构相似度为主线,通过共同邻居等指标量化连接概率,思路简洁却受制于局部拓扑假设。当图神经网络(GNNs)引入消息传递机制后,过平滑与过挤压问题逐渐暴露,限制了模型对长程依赖和全局结构的捕捉能力。为突破这一瓶颈,研究者转向引入社区结构、拉普拉斯位置编码及 Transformer 架构,用更强的全局感知能力换取对复杂拓扑的建模精度。与此同时,动态演化、多复层关系及公平性约束等新维度不断涌现,推动领域从单一精度导向转向多维目标权衡。各路线在计算效率、泛化能力与社会价值之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从局部聚合到全局感知的因果演进链条,为读者提供一张领域认知地图。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作。

1. 研究背景、问题结构与演进脉络

链接预测作为图分析的基础任务,最初旨在通过启发式结构相似度推断静态图中节点间的缺失连接。其核心假设是局部拓扑结构足以决定连接概率,且图结构是静态、单一关系的。在这一范式下,共同邻居、Adamic-Adar 指数等指标通过计算节点间的重叠度或路径特征来量化连接可能性,奠定了社交网络推荐等领域的理论基础。然而,这种基于手工特征的方法虽然可解释性强,却难以捕捉非线性依赖关系,且在大规模稀疏图上的泛化能力有限。随着深度学习的发展,问题定义从“计算相似度”转变为“学习节点嵌入”,图神经网络通过聚合邻居信息学习节点表示,显著提升了预测性能,但也引入了新的技术瓶颈。

问题定义的演化并非线性积累,而是由特定场景下的失败驱动的范式跳跃。2016 至 2019 年间,从随机游走(如 Node2Vec)到消息传递 GNN(如 GCN、GAT)的转变,核心驱动力是捕捉高阶拓扑依赖的需求。这一阶段确立了 GNN 的主流地位,但局部消息传递机制导致深层网络中节点表示趋于相似,即过平滑问题,限制了模型对长程依赖的捕捉能力。2020 至 2023 年,电信、社交等实时应用场景对时序建模的迫切需求,揭示了静态 GNN 的局限性,问题定义扩展为“时序演化建模”与“跨层依赖融合”。动态图和多复层网络的兴起,要求模型具备归纳学习能力和跨层注意力机制,挑战了局部消息传递的时效性与表达力。

2024 至 2026 年,研究重心进一步从精度导向转向公平性、通用性与自动发现。问题定义细化为“结构偏差治理”、“跨域零样本泛化”及“算法自动进化”,强调模型的社会责任与基础设施属性。公平性问题并非独立于精度之外,而是图结构偏差(如 assortativity)在预测结果中的映射,因此公平性治理必须建立在准确的全局结构建模之上。基础模型(如 TFMLinker)和代码进化系统(如 AntEvolve)的介入,预示着链接预测可能从“特定任务模型”转变为“通用图智能基础设施”。这一阶段的演进逻辑是:解决过平滑(基础架构问题)是捕捉长程依赖(动态/多关系问题)的前提;而公平性治理(价值对齐问题)依赖于对结构偏差(如 k-hop 距离)的准确量化,后者又依赖于全局结构感知能力的突破。

当前领域处于从“静态、单一关系、精度导向”向“动态、多关系、公平与通用性导向”过渡的关键期。子问题之间存在强依赖关系:基础架构的表示质量决定了动态建模的精度上限,而公平性评估的有效性则依赖于全局结构感知的深度。这种依赖链条使得任何单一维度的优化都难以独立生效,必须在全局视角下进行协同设计。例如,引入社区结构不仅缓解了过平滑,还为公平性评估提供了结构先验;Transformer 架构的全局注意力机制不仅捕捉了长程依赖,也为跨层交互建模提供了统一框架。

如果用一个核心问题概括该领域,那便是:如何在计算效率可接受的范围内,突破局部消息传递的表达瓶颈,构建能够捕捉全局拓扑结构、时序动态及社会公平约束的通用图表示学习范式。

2. 方法体系

  • 2007:Liben-Nowell & Kleinberg——奠定启发式方法基线

  • 2016:DeepWalk/Node2Vec——随机游走嵌入经典基线

  • 2017:GCN——消息传递机制确立主流地位

  • 2018:SEAL——子图嵌入框架提出

  • 2019:GAT——注意力机制增强全局建模

  • 2021:R-GCN——多关系图卷积网络

  • 2025:PENCIL——纯 Transformer 链接预测器

  • 2026:TFMLinker——表格基础模型通用预测器

这条时间线勾勒了该领域方法演进的代表性节点:从 2007 年的 Liben-Nowell & Kleinberg 奠定该领域方法基线,经 2016 年 DeepWalk/Node2Vec 的推进,到 2026 年的 k-hop Fairness 代表当前前沿。各节点对应的技术路线、取舍与关联,详见后续小节。

2.1 基础架构与表示学习

基础架构与表示学习路线起源于对局部消息传递机制的反思与重构。早期 GNN 如 GCN 和 GAT 通过聚合邻居信息学习节点表示,虽提升了精度,但深层网络中的过平滑问题导致区分度下降。为突破这一瓶颈,研究者开始引入全局结构信息或改变聚合机制。CELP(Wang and Lai, 2025, P5)针对 GNN 过度依赖局部邻域信息导致的过平滑问题,提出社区增强链接预测框架。该方法通过社区感知的置信度引导机制进行边补全与剪枝,显式构建可解释的全局结构表示,而非隐式学习结构嵌入。其核心创新在于将社区检测引入图表示学习,利用社区内部密集连接和外部稀疏连接的特性来增强节点判别力。该方法假设社区结构能有效反映图的潜在组织功能,从而缓解节点表示收敛问题。其代价是引入了社区检测的计算开销,且效果依赖于图本身具有显著的社区结构。CELP 为结合图挖掘经典方法与深度学习提供了新范式,验证了全局结构编码在提升链接预测准确性中的关键作用,尤其适用于具有明显模块化的社交或生物网络。

GGT-VAE(Karki, 2025, P4)则采取了更为激进的架构变革,提出广义图 Transformer 变分自编码器。该方法摒弃显式消息传递,编码器仅依赖基于拉普拉斯位置编码的 Transformer 自注意力机制,直接建模所有节点间的成对交互。通过变分推断学习图结构的潜在分布,优化证据下界(ELBO),支持概率性链接预测和图生成。其核心优势在于保持置换不变性的同时实现全局结构学习,避免了逐步邻域聚合的瓶颈。代价是 Transformer 的全局注意力机制在超大图上可能面临计算内存挑战,且依赖拉普拉斯特征计算的稳定性。GGT-VAE 在架构上融合了 Transformer 的全局视野与 VAE 的概率生成能力,为图表示学习提供了无需手工特征工程且具备生成潜力的新基线,适用于需要不确定性估计的链接预测场景。与 CELP 相比,GGT-VAE 放弃了局部效率以换取全局表达,而 CELP 则在 GNN 框架内引入全局先验,以较低计算成本部分缓解过平滑。

PENCIL(Truong et al., 2026, P8)进一步探索了纯 Transformer 架构的潜力,提出一种基于纯 Transformer 的链接预测器。该方法不依赖节点 ID 或手工启发式特征,而是通过 token 级自注意力在采样子图实例内实现密集通信,有效缓解拓扑瓶颈引起的过度挤压。架构设计允许模型深度增加时性能持续提升,不同于 MPNN 在浅层后性能下降的趋势。其核心创新在于将链接预测重构为子图内的序列建模任务,利用 Transformer 捕捉局部上下文中的复杂依赖关系。主要取舍是放弃了全局图信息的直接利用,转而依赖精心设计的子图采样策略和位置编码来隐含结构信息。PENCIL 证明了 Transformer 在图结构学习中的参数效率与性能潜力,为无需复杂结构特征工程的链接预测提供了简洁而强大的替代方案。与 GGT-VAE 的全局注意力不同,PENCIL 聚焦于子图内的局部密集通信,两者在计算复杂度与结构感知范围上形成了互补。

GAT-based Adaptive Transfer Learning(Lu et al., 2025, P6)则针对大规模稀疏图数据中现有方法效率与准确性不足以及数据集不匹配导致的泛化能力差的问题,提出基于图注意力的自适应迁移学习框架。该方法以 GAT 为基础,利用注意力机制动态分配邻居权重,突破固定邻域结构限制,捕捉长程交互和全局结构。引入图 Transformer 架构以增强对大规模数据集的学习能力,通过位置编码表示序列关系。核心改进在于结合迁移学习策略,使模型能够适应不同数据集间的分布差异,解决模型在单一数据集训练后难以泛化到其他场景的痛点。其设计取舍在于增加了 Transformer 的计算复杂度,但换取了更强的全局建模能力和跨域适应性。该方法定位为解决图数据规模增长带来的效率与泛化挑战,为大规模动态图链接预测提供了具备参数共享和高效推理能力的技术方案。

Mini-Batch Class Composition Bias Analysis(Maguire and Dasmahapatra, 2026, P14)从理论层面揭示了 GNN 在链接预测中的表示学习偏差。该方法通过理论分析揭示,尽管节点表示在节点分类中有益,但在链接预测中,小批量中节点类别组成的随机性会引入偏差,影响模型收敛与泛化。研究指出,链接预测模型应学习预测节点类别的特征,特别是在同配性图中,节点类别邻域模式对分类性能至关重要。其核心贡献在于建立了链接预测与节点分类之间的表示迁移联系,挑战了传统上为不同任务设计独立 GNN 架构的观点。主要代价是需要对训练过程中的小批量采样策略进行严格控制或修正,以消除组成偏差。该工作为理解 GNN 在不同图任务中的行为差异提供了理论依据,指导了更鲁棒的链接预测模型训练策略。

WBT-BGRL(Huarayo Quispe et al., 2025, P2)针对加权二部图在归纳学习场景下的链接预测挑战,提出非对比加权二部图表示学习模型。该方法扩展 T-BGRL 框架,专门处理用户-产品等稀疏二部图,通过非对比自监督学习避免高计算成本和负采样敏感性。编码器采用异构 GNN,在消息传递中整合边权重,输出不同节点类型的独立嵌入。引入两个独立预测器分别处理 U 和 V 节点类型,捕捉二部图的不对称性,而非使用共享预测器。目标网络通过指数移动平均更新参数以稳定训练,解码器为三层 MLP,预测连接概率。其核心改进在于将权重信息融入自监督预训练,并针对二部图结构优化架构设计。代价是增加了模型组件的复杂性,且非对比方法可能在某些噪声数据上不如对比方法稳健。WBT-BGRL 为大规模稀疏二部图的归纳链接预测提供了高效且可扩展的解决方案,特别适用于推荐系统等动态场景。

2.2 动态与多关系图预测

动态与多关系图预测路线起源于静态 GNN 在时序和多关系场景下的失效。TGN-SEAL(Sajadi et al., 2026, P12)针对动态图中未来链接预测的挑战,提出混合时间图网络与 SEAL 子图特征的框架。该方法增强 TGN,通过提取每个候选链接的包围子图结构信息,结合时序演化特征进行预测。在用户通话网络等稀疏动态场景中,利用历史通话记录中的时间戳和持续时间信息。核心设计是将静态子图结构编码与时序消息传递机制融合,捕捉关系随时间演化的模式。其改进点在于弥补了纯时序模型忽略局部结构细节的缺陷,以及纯结构模型忽略时间动态的不足。代价是子图提取增加了推理延迟,且需要维护动态图的实时状态。TGN-SEAL 在电信资源分配和电商推荐等应用中具有实用价值,为稀疏动态网络的链接预测提供了兼顾时序依赖与局部结构的有效方案。

Trans-SLE/Trans-GAT(Sharma et al., 2025, P1)针对多层网络中跨层依赖被忽略的问题,提出基于跨层注意力的链接预测框架。该方法将多层链接预测形式化为多视图边分类任务,为每个节点对构建各层嵌入序列。利用 Transformer 编码器的自注意力机制整合层间信息,强调信息丰富的层并抑制无关层。引入 Union-Set 策略减少计算成本,仅处理在任一层中存在的边对。核心创新在于显式建模层间交互,而非简单拼接或独立处理各层。主要取舍是 Transformer 的全局注意力在层数极多时可能引入噪声,且依赖层间语义的相关性。Trans-SLE 和 Trans-GAT 在社交网络跨平台关系预测中展现了优势,解决了多层图融合中的不平衡与稀疏性问题。与 TGN-SEAL 的时序融合不同,Trans-SLE 聚焦于空间上的跨层交互,两者在动态图的不同维度上形成了互补。

IGNP(Yin et al., 2026, P17)针对多关系图中链接预测受长程依赖影响但计算成本高的问题,提出基于影响力传播视角的框架。该方法引入扩展的 SIR(易感-感染-恢复)流行病模型,模拟影响力在图中的传播过程,以识别对目标边有显著影响的关键子图。通过影响力传播子图替代全图或简单邻域,有效过滤无关信息并保留关键全局特征。框架利用这些子图进行 GNN 编码,平衡计算效率与全局信息捕捉。其核心创新在于将流行病学模型与图神经网络结合,提供可解释的影响力范围界定机制。主要取舍是 SIR 模型参数(如感染率)需要调优,且假设影响力传播遵循特定动力学规律。IGNP 在多关系知识图谱补全和蛋白质相互作用网络重建中展现了优势,为处理长程依赖提供了比随机采样更结构化且计算友好的替代方案。

Multiplex Network Embedding Taxonomy(Trautmann et al., 2026, P9)针对多层网络嵌入方法缺乏统一分类的问题,提出全面的嵌入方法分类学与表示分类学。该工作系统梳理了单层网络嵌入方法在多层网络中的应用局限,区分了逐层嵌入后合并与直接在多层结构上学习嵌入两类方法。建立了表示分类学,区分节点级、边级及混合表示向量,揭示了多层网络中潜在表示的细微差别。核心贡献在于提供了评估多层嵌入方法优劣的详细指南,填补了现有综述在多层特定任务上的空白。其价值在于为研究者选择适合特定多层结构的嵌入方法提供了理论依据。该工作虽非单一算法,但通过系统性分析揭示了不同嵌入策略在捕捉跨层交互时的性能差异,指导了后续多层链接预测模型的设计方向。

2.3 公平性与偏差治理

公平性与偏差治理路线起源于对传统二元公平范式局限性的反思。Non-Dyadic Distribution-Preserving Fairness(Mattos et al., 2025, P3)针对传统二元公平范式掩盖子群体偏差的问题,提出非二元分布保持公平性准则。该方法指出,将敏感属性配对聚合为组内/组间类别会忽略特定子群体间的系统性偏差。提出保留原始图中边类型分布结构的公平性指标,要求预测分布与原始图分布对齐。核心创新在于将公平性评估从二元对比扩展至多子群体分布匹配,揭示人口统计学平等(DP)在链接预测中的失效机制。主要代价是计算复杂度增加,需维护多个子群体的统计量。该方法在社交网络推荐中有助于缓解玻璃天花板效应,通过防止模型过度预测特定子群体链接,确保长期曝光公平性。

k-hop Fairness(Marey et al., 2026, P13)针对二元公平仅关注一阶邻域的限制,提出 k 跳公平性框架以解决多层邻域结构中的偏差。该方法定义基于节点最短路径距离的 k 跳邻域,分析不同跳数下的结构偏差对预测公平性的影响。揭示了一阶公平性无法捕捉长程结构偏差的问题。提出模型无关的后处理缓解策略,通过最小化专用损失函数控制 k 跳不平等。核心创新在于将公平性评估从局部边属性扩展至全局结构距离,适用于多值敏感属性和加权有向图。代价是计算 k 跳邻域偏差的算法复杂度较高,需优化图遍历效率。k-hop Fairness 在社交网络中有助于打破过滤气泡,通过平衡不同距离层的曝光机会,促进跨群体连接。与 P3 的分布匹配不同,P13 聚焦于结构距离,两者在公平性定义的粒度上形成了递进关系。

TopoFair(Marey et al., 2026, P11)针对图拓扑偏差与链接预测公平性之间缺乏量化联系的问题,提出拓扑公平基准框架。该工作建立结构偏差分类学,包括同配性、异质性、信息不公平等指标,并生成包含多种结构偏差的合成图语料库。通过系统实验量化不同拓扑偏差对经典及公平感知链接预测模型的影响。核心发现是 assortativity 对公平性影响最大,且公平感知模型在其他结构偏差固定时对同配性变化敏感。主要贡献在于提供了受控环境以解耦结构因素对公平性的影响,揭示了公平性对图生成参数的依赖性。代价是合成图可能无法完全反映真实世界的复杂拓扑。TopoFair 为公平链接预测模型的设计与评估提供了实证基础,指导了如何在不同结构偏差下选择或调整公平性策略。

2.4 前沿范式与自动发现

前沿范式与自动发现路线起源于对专用模型泛化能力有限及算法设计依赖人工迭代的反思。TFMLinker(Liao et al., 2026, P10)针对现有图基础模型预训练规模有限或依赖文本信息的局限,提出基于表格基础模型(TFM)的通用链接预测器。该方法利用 TFM 在合成数据集上的预训练能力,通过上下文学习实现跨数据集和领域的零样本链接预测。核心模块包括原型增强局部-全局上下文模块,构建捕捉图特定和跨图可迁移模式的上下文;以及通用拓扑感知链接编码器,提取链接中心拓扑信息。其创新在于将链接预测转化为表格上下文学习问题,无需数据集特定微调。主要取舍是依赖 TFM 的通用推理能力,可能在特定复杂拓扑上不如专用 GNN 精细。TFMLinker 代表了基础模型时代链接预测的新方向,解决了数据稀疏和分布偏移下的泛化难题。

Instance Discrimination for Link Prediction(Cuzin-Rambaud et al., 2026, P15)针对无属性图链接预测中 GNN 表示区分度不足的问题,提出基于实例判别的自监督学习方法。该方法利用自监督学习生成增强视图,通过对比学习最大化正样本对的相似度,最小化负样本对距离。核心设计是引入实例判别目标,迫使模型学习区分不同节点实例的嵌入,而非仅依赖结构同配性。主要改进在于无需节点属性标签,仅利用图结构生成监督信号,适用于无属性图场景。代价是增强策略的选择对性能影响较大,且对比学习需要大量负样本。该方法在无属性生物网络或基础设施网络中展现了优势,提升了 GNN 在缺乏特征信息时的鲁棒性。

CopulaGNN(Sung et al., 2026, P7)针对符号图中负边违反同配性假设导致标准 GNN 失效的问题,提出基于高斯 Copula 的边间相关性建模方法。该方法不假设相邻节点相似,而是假设通过共同节点连接的相邻边存在统计依赖。利用 Sklar 定理将联合分布分解为边缘分布和 Copula 函数,用松弛 Bernoulli 分布建模边符号边缘分布,高斯 Copula 建模边间相关性。核心创新在于显式建模边间统计依赖,而非依赖辅助结构。主要取舍是 Copula 参数估计的计算复杂度较高,且假设相关性结构服从高斯分布。CopulaGNN 在社交网络敌友预测中展现了优势,解决了负边处理中的收敛慢和内存低效问题。

AntEvolve(Vlaskin and Altmann, 2026, P16)针对链接预测算法开发依赖人工迭代的问题,提出基于代码进化与 LLM 的自动算法发现系统。该系统以 AlphaEvolve 为蓝图,通过进化过程自动生成并评估链接预测算法,使用 AUC 作为适应度函数。核心机制是 LLM 生成候选代码,进化算子优化算法结构,自动探索算法空间。其创新在于将算法设计自动化,发现优于或媲美人工设计的新算法。主要取舍是计算资源消耗大,且生成算法的可解释性可能低于人工设计。AntEvolve 在复杂网络链接预测中展现了潜力,揭示了自动算法发现的能力与局限,为科学算法自动化提供了新范式。

路线 核心机制 优势 (Gain) 劣势 (Cost) 代表方法
基础架构与表示学习 全局结构编码/Transformer 自注意力 缓解过平滑,捕捉长程依赖 计算复杂度增加,依赖结构先验 CELP, GGT-VAE, PENCIL
动态与多关系图预测 时序融合/跨层注意力 捕捉时序演化,显式建模层间交互 推理延迟增加,需维护动态状态 TGN-SEAL, Trans-SLE, IGNP
公平性与偏差治理 分布匹配/k-hop 结构距离 减少社会偏见,捕捉结构偏差 计算复杂度增加,需维护子群体统计量 Non-Dyadic Fairness, k-hop Fairness, TopoFair
前沿范式与自动发现 基础模型上下文学习/代码进化 跨域零样本泛化,算法自动发现 依赖大规模预训练,可解释性降低 TFMLinker, AntEvolve

3. 关键共识、分歧与开放问题

3.1 领域共识

GNNs 已成为链接预测的主流方法,但其性能受限于局部消息传递机制,难以捕捉全局结构信息。这一共识在多个基准上被反复验证:CELP 的 93.34 与 GGT-VAE 的 92.10 均大幅超越 MAML 等早期方法,且引入全局结构信息(如社区、拉普拉斯特征)或改变聚合机制(如 Transformer)是有效的缓解策略。与此相关的另一个共识是,传统启发式方法虽然简单,但在某些基准上仍具有竞争力,且计算效率远高于深度学习模型。例如,Node2Vec 在 WikiData 上仍取得 50.2% 的 Correct 率,虽低于 IGNP 的 66.6%,但在资源受限场景下仍具实用价值。此外,链接预测任务具有广泛的实际应用价值,涵盖社交推荐、生物信息学、知识图谱补全等多个领域,动态图和复杂网络的链接预测比静态无向图更具挑战性,需要专门设计的架构来处理时序或多关系依赖。公平性是链接预测日益重要的考量因素,现有模型往往放大图中的同质性偏差,导致对特定群体的不公平推荐,归纳学习能力对于现实世界应用至关重要,Transformer 架构因其全局自注意力机制,在捕捉长程依赖和缓解过挤压方面展现出潜力,正逐渐被引入图链接预测任务。

3.2 观点分歧

Transformer 与增强 GNN 谁是链接预测的未来架构,是领域内的核心分歧。Transformer 派(PENCIL, GGT-VAE)认为全局自注意力是突破过平滑瓶颈的唯一途径,能捕捉长程依赖和全局结构;增强 GNN 派(CELP, IGNP)认为在 GNN 框架内引入全局结构先验能以更低计算成本实现类似效果,更具实用价值。现有证据偏向 Transformer 在小规模静态图上表现更优(Cora/Citeseer SOTA),但增强 GNN 在大规模稀疏图(PubMed)和动态图(TGN-SEAL)上更具竞争力。这一分歧的背后,是另一个更根本的争论:公平性应定义为二元(Dyadic)还是结构(k-hop)?二元派认为将敏感属性扩展至边级别是标准且可操作的公平性定义;结构派认为二元定义掩盖子群体偏差,应基于结构距离定义公平性。现有证据偏向结构派更合理,TopoFair 实验显示 assortativity 对公平性影响最大,且二元定义在多层邻域结构中失效。但缺乏大规模真实场景的验证,且 k-hop 计算成本高。此外,自监督学习的有效性也存在争议:对比派认为对比学习能有效提升 GNN 表示区分度,适用于无属性图场景;非对比派认为对比学习对负采样敏感且计算昂贵,非对比方法在稀疏二部图上更高效且稳健。现有证据显示非对比方法在大规模稀疏二部图(Amazon Computers)上表现更优,但对比方法在无属性生物网络(PPI)上更具优势。

3.3 其他开放问题

最紧迫的工程问题是大规模图的可扩展性。当前模型在处理百万级节点和边的图时面临计算和内存瓶颈,难点在于平衡模型表达能力与计算效率。潜在技术路径包括采用采样策略、近似最近邻搜索、以及基于 Transformer 的稀疏注意力机制,以实现线性或亚线性复杂度的可扩展链接预测。最根本的研究问题是跨域零样本泛化的本质。现有模型多在固定图结构上训练,难以预测新节点或新边,难点在于如何使模型具备对新实体和关系的泛化能力。潜在技术路径包括采用归纳式学习框架、基于子图特征的表示学习以及迁移学习策略。此外,图结构偏差与社会公平性的量化关系尚未完全厘清,传统二元公平性定义掩盖了子群体间的细微偏差,且拓扑偏差与预测公平性的量化关系缺乏理论指导。已知的是 GNN 的主流地位和过平滑瓶颈,争议的是 Transformer 与增强 GNN 的优劣以及公平性定义,未知的是跨域泛化的本质和算法自动发现的收敛性。未来领域将向“通用图智能基础设施”演进,链接预测将成为其中的一项基础能力,而非孤立任务。

4. 总结与展望

链接预测领域的核心矛盾在于局部聚合效率与全局结构捕捉能力的冲突。从启发式相似度到 GNN 消息传递,再到 Transformer 全局注意力和基础模型上下文学习,研究者不断尝试突破局部消息传递的表达瓶颈。当前核心瓶颈仍是计算效率与公平性治理的权衡:Transformer 架构虽能捕捉长程依赖,但二次方计算复杂度制约了其大规模应用;公平性治理虽能减少社会偏见,但 k-hop 结构距离的计算成本较高。回扣第 1 章锚点句,如何在计算效率可接受的范围内,构建能够捕捉全局拓扑结构、时序动态及社会公平约束的通用图表示学习范式,仍是领域亟待解决的核心问题。

未来可能突破的方向包括:基于表格基础模型的通用链接预测器(TFMLinker)和代码进化系统(AntEvolve),它们可能颠覆现有的“数据-模型”范式,实现算法的自动进化;以及结合时间编码机制、记忆模块以及事件驱动的消息传递策略的动态图链接预测,以支持实时或近实时的动态链接预测。对进入者最值得做的一件事是,在统一骨干与统一预训练条件下,系统评测 Transformer 与增强 GNN 在大规模动态图上的计算效率与公平性表现,以填补现有评测体系的空白,为未来架构选择提供实证依据。

以上为节选,完整内容见ArxivReview

相关文章
|
7天前
|
Linux Go 开发工具
手机上跑 DeepSeek 智能体:开源安卓客户端 DSH Go 安装与使用指南
DSH Go 是一款开源安卓客户端,将 DeepSeek Harness 智能体引擎装进手机:免 Root、免 Termux,一键安装即用;支持本机运行(内置 Ubuntu+Node.js)或远程接管电脑会话;具备插话打断、过程折叠、屏幕操控、端到端加密分享等特色功能,真正实现智能体“口袋化”。
8752 22
|
7天前
|
弹性计算 人工智能 API
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
建议收藏本教程,2026 全年各版本更新随时回来查阅。如果你在搭建过程中遇到任何问题,欢迎结合 阿里云工单系统 提交技术支持请求,或在 阿里云开发者社区 搜索 Codex 相关话题交流。 祝你编码愉快,效率翻倍!
2655 12
|
2天前
|
人工智能 安全 应用服务中间件
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
NGINX曝出两个高危漏洞(CVE-2026-123633和CVE-2026-123007),CVSS 9.2分,均属HTTP/2内存安全缺陷,无需认证即可远程执行代码。影响自2015年起的多个版本,静态站点亦受威胁。修复版本为开源版1.30.7/1.31.9。(239字)
1274 0
NGINX 爆出两处高危漏洞 可导致未经身份验证的远程代码执行
|
5天前
|
传感器 安全 区块链
Windows 电脑运行安卓应用教程:开源工具 ApkStart 双击 APK 即装、独立窗口运行
ApkStart 是一款开源Windows工具,让安卓APP像原生软件一样运行:双击APK即安装、生成真实图标、独立窗口启动、开始菜单可搜索。无需传统模拟器,内置QEMU运行时,支持数据互通、ARM兼容与命令行操作。(239字)
|
10天前
|
人工智能 前端开发 API
阿里云Qwen4-Max 大模型详解:定位、特征、能力、适用场景与相对Qwen3-Max差异解析
2026年11月11日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问AI平台Token Plan并接入千问办公、Qoder等入口。该版本聚焦知识理解、世界感知、编程与Agentic四项升级,主打复杂编程、专业办公、前端设计与专业软件操作等真实任务。预览期为11月11日10:00至11月25日24:00,仅支持Token Plan调用,到期后模型标识下线;限时2折、新用户再享5折,最低1折可体验。
|
10天前
|
JSON 前端开发 API
阿里云最新Qwen4-Max大模型介绍:模型定位、特征、能力、适用场景解析
2026 年 11 月 11 日,阿里发布第四代旗舰模型Qwen4-Max预览版,首发千问 AI 平台 Token Plan,并同步接入千问办公、Qoder 等入口。该版本聚焦知识理解、世界感知、编程与 Agentic 四项升级,主打复杂编程、专业办公、前端设计与专业软件操作。预览期至 11 月 25 日 24:00,到期后模型标识下线;限时 2 折、新用户再享 5 折,最低 1 折可体验。
|
22天前
|
Linux 开发工具 iOS开发
Codex保姆级教程(下载+安装+登录+使用,含所有版本,2026最新)
Codex是OpenAI推出的开源AI编程智能体,本地运行,可理解整个代码库,支持自然语言指令改代码、执行命令、跑测试、修Bug,兼容Win/macOS/Linux。(239字)
11010 59
|
3天前
|
人工智能 弹性计算 IDE
Codex超详细入门指南(下载·安装·登录·上手,全版本覆盖,2026最新版)
适合团队落地代码规范,每次提交自动生成评审报告,降低人工CR工作量。同时支持自定义技能脚本,接入团队内部SDK说明文档,让Codex生成符合团队编码规范的代码。Codex三大客户端覆盖本地开发、服务器远程编码、自动化流水线场景,搭配阿里云百炼的Token Plan、Coding Plan,能够低成本搭建稳定可控的AI编码助手。新手建议先从IDE插件入手,熟悉交互逻辑,再尝试CLI版本部署在阿里云ECS,实现云上项目远程编码、批量脚本处理。只要按照步骤完成环境准备、版本选型、密钥对接、项目初始化,就可以把Codex融入日常开发流程,大幅提升代码编写、问题排查、项目重构的效率。
930 0
|
6天前
|
人工智能 弹性计算 开发工具
零成本玩各大模型!DeepSeek Harness dsh-our-free-model 插件,13 个厂商模型直接用
总结一下:装这个插件,你不用注册、不用绑卡、不用填一个 Key,就能在 DeepSeek Harness 里用上 DeepSeek V4.1 Flash、Kimi K3 这一批前沿模型,而且是白嫖的、还不限量。三步搞定:下载插件,复制包含 `package.json` 的插件目录路径,在「添加插件」里粘贴路径安装并重启。无论是在阿里云 ECS 上通过命令行部署的 Web 版,还是本地的 Electron 桌面端,都能顺利跑通,快速搭建一套零成本的免费模型使用环境。
1270 1
|
8天前
|
Linux API iOS开发
【DSH】DeepSeek Harness新手保姆教程(下载+安装+配置+使用,2026最新实测)
DeepSeek Harness(dsh)是DeepSeek AI开源的智能体框架,秉持“一切皆插件”理念,支持读文件、改代码、跑命令、处理表格、联网搜索等操作。免费开源,兼容Windows/macOS/Linux,提供桌面端与网页端,可灵活安装插件扩展能力。