基于GNN的链接预测综述：技术、应用与挑战

# 基于GNN的链接预测综述：技术、应用与挑战  
来源：https://arxiv.org/html/2607.16198 00footnotetext:近期被《Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery》接受发表，© 2026 Wiley Periodicals, Inc\. 保留所有权利\. 本文版本已通过同行评审，但并非最终记录版本。最终版本将在：https://doi\.org/10\.1002/widm\.70093 提供。论文列表见 GitHub：https://github\.com/sunxiaobei/awesome\-gnn\-based\-link\-prediction\. 本工作发布后实行12个月禁期。\[3\]Yajie Song \[1,2\]Cheng Zhai \[3\]Zhixiao Wang 1\]\\orgdiv安全工程学院，\\orgname中国矿业大学，\\orgaddress徐州，江苏，\\postcode221116，\\country中国 2\]\\orgdiv煤矿灾害预防与控制国家重点实验室，\\orgname中国矿业大学，\\orgaddress徐州，江苏，\\postcode221116，\\country中国 3\]\\orgdiv计算机科学与技术学院，\\orgname中国矿业大学，\\orgaddress\\street徐州，\\city江苏，\\postcode221116，\\country中国 4\]\\orgdiv计算机科学系，\\orgname伊利诺伊大学芝加哥分校，\\orgaddress芝加哥，伊利诺伊州，\\country美国

###### 摘要  
图神经网络（GNN）已成为链接预测的主导范式，能够推断缺失的连接并预测潜在的未来链接。然而，现有综述缺乏对底层GNN架构和多样化图结构的系统性探索。为弥补这一关键空白，本文从一个新颖且专注的GNN视角，全面综述了基于GNN的链接预测方法。我们提出了一种创新的分类方法，根据技术和应用对最新进展进行分类。从技术视角，我们聚焦于关键的GNN编码器架构，包括基于GCN、基于GAE、基于GAT和基于GFormer的方法，讨论了它们的优势与局限性。从应用视角，我们重点介绍了链接预测在知识图谱和推荐系统中的突出应用案例，展示了其在现实世界中的影响。此外，我们还分析了当前面临的挑战，并讨论了有前景的未来方向。

###### 关键词：  
链接预测，图神经网络，知识图谱，推荐系统

## 1 引言

图因能够表示复杂关系，对于建模复杂系统至关重要。链接预测是此类图中的基本任务，旨在根据现有网络的拓扑结构推断节点之间缺失或未来可能的链接。典型应用包括社交网络中的好友推荐[85 (https://arxiv.org/html/2607.16198#bib.bib85)]、电商网络中的商品推荐[39 (https://arxiv.org/html/2607.16198#bib.bib39)]、引文网络中的引用关系预测[28 (https://arxiv.org/html/2607.16198#bib.bib28)]，以及推荐系统中的电影推荐[40 (https://arxiv.org/html/2607.16198#bib.bib40)]。传统上，基于启发式的方法和基于浅层嵌入的方法是两种经典的链接预测方法。基于启发式的方法主要专注于探索大量图结构数据中的连接模式，并设计特定的启发式公式来预测新连接。例如，共同邻居（CN）[64 (https://arxiv.org/html/2607.16198#bib.bib64)]是一种流行的启发式方法，假设共享更多邻居的节点对更容易形成连接。类似地，Jaccard指数[24 (https://arxiv.org/html/2607.16198#bib.bib24)]、Adamic–Adar指数[1 (https://arxiv.org/html/2607.16198#bib.bib1)]和资源分配指数[125 (https://arxiv.org/html/2607.16198#bib.bib125)]都基于这样的假设：可以从节点的邻域信息推断节点相似性，并且这种相似性反映了节点间连接的可能性。相比之下，基于浅层嵌入的方法旨在将节点映射到低维向量中，同时保留其在图中的邻域结构和相似特征关系。DeepWalk[67 (https://arxiv.org/html/2607.16198#bib.bib67)]和Node2vec[17 (https://arxiv.org/html/2607.16198#bib.bib17)]将节点视为单词，将连接节点的序列视为句子，进行节点嵌入。其他嵌入方法，如矩阵分解[60 (https://arxiv.org/html/2607.16198#bib.bib60)]、FSSDNMF[7 (https://arxiv.org/html/2607.16198#bib.bib7)]，通过将邻接矩阵分解为两个低秩因子矩阵来预测网络中节点之间的潜在连接。然而，将这些方法扩展到大规模图可能会遇到局限性。

参见图说明  
图 1：动机与贡献：从碎片化视角到统一的基于GNN的链接预测框架。左侧面板识别了经典链接预测、图表示学习和图特定链接预测交叉领域中的一个关键研究空白，现有综述缺乏对底层GNN架构和多样化图结构的系统性探索。为填补这一空白，本综述从一个新颖且专注的GNN视角提供全面回顾。我们从三个基本维度对最新研究进行系统性综合：技术，聚焦于基于GNN方法的演进；应用，评估其在多种场景中的部署；以及挑战，识别未来研究的关键前沿。

近年来，GNN的发展[32 (https://arxiv.org/html/2607.16198#bib.bib32),94 (https://arxiv.org/html/2607.16198#bib.bib94),19 (https://arxiv.org/html/2607.16198#bib.bib19)]尤为引人注目，并已成为分析图结构数据的强大工具。自然地，一系列基于GNN的链接预测方法也应运而生。尽管最新方法发展迅速，但相应的分析和总结仍然有限。现有综述已从经典LP方法、网络特定LP方法和图表示学习的不同视角调查了链接预测（总结在图1 (https://arxiv.org/html/2607.16198#S1.F1)中）。Lv等人[55 (https://arxiv.org/html/2607.16198#bib.bib55)]、V. Martínez等人[59 (https://arxiv.org/html/2607.16198#bib.bib59)]和Lakshmi等人[35 (https://arxiv.org/html/2607.16198#bib.bib35)]对现有的非GNN经典链接预测技术进行了概述。从GNN的角度看，一方面，Barros等人[3 (https://arxiv.org/html/2607.16198#bib.bib3)]、Dwivedi等人[15 (https://arxiv.org/html/2607.16198#bib.bib15)]和Khemani等人[29 (https://arxiv.org/html/2607.16198#bib.bib29)]总结了图表示学习技术，这些技术随后可作为下游任务应用于链接预测。另一方面，一些工作聚焦于特定网络中的链接预测技术，例如社交网络[78 (https://arxiv.org/html/2607.16198#bib.bib78)]、动态图[84 (https://arxiv.org/html/2607.16198#bib.bib84)]和超图[6 (https://arxiv.org/html/2607.16198#bib.bib6)]。总之，虽然以往的综述提供了有价值的见解，但它们普遍存在一些主要局限性。首先，明确聚焦于GNN与链接预测交叉领域的综合性综述仍然稀缺。其次，现有的图表示学习综述通常将链接预测仅视为一个通用下游任务。这种视角往往无法捕捉专门为链接预测设计的复杂GNN架构。本研究的动机源于弥合GNN模型快速发展与复杂现实网络实际需求之间差距的紧迫性。据我们所知，这是首批从一个新颖、专注的GNN视角系统性探索链接预测技术及相关应用的综述之一。值得注意的是，我们专注于专门针对链接预测问题设计的模型，而非将其视为单纯的下游任务。这种GNN视角的重要性在于，它能够追溯架构创新（从局部消息传递到全局注意力）如何从根本上重塑边推理能力。创新的二维分类如图1所示。具体来说，根据方法创新与场景驱动需求之间的内在二分性，我们将最新研究分为两个主要方向：技术和应用。从技术视角，我们根据骨干网络将近期文献分为四类：图卷积网络（GCN）、图自编码器（GAE）、图注意力网络（GAT）和图变换器（GFormer）。从应用视角，我们关注链接预测技术在知识图谱和推荐系统中的作用。与现有工作不同，我们引入了一个严格比较模型优势与局限性的框架，使本综述成为选择最优GNN架构更具指导性和可操作性的资源。此外，我们还讨论了一些开放问题和未来方向。本文的主要贡献如下：

- • 图神经网络视角：我们从新颖的GNN视角审视链接预测，突出了由GNN架构驱动的近期进展和方法，包括基于GCN、基于GAE、基于GAT和基于GFormer的方法。
- • 全面综述：我们从技术和应用两个视角提供了基于GNN的链接预测方法的全面回顾，涵盖了多种底层图类型。
- • 开放问题与未来方向：我们还从数据和方法的层面指出了链接预测技术的开放问题和挑战，为推进未来研究方向提供了见解。

在本综述的其余部分，我们在第2节 (https://arxiv.org/html/2607.16198#S2)中介绍预备知识和符号。在第3节 (https://arxiv.org/html/2607.16198#S3)中，我们提出了一种针对最新研究在技术和应用方面的独特分类。第4节 (https://arxiv.org/html/2607.16198#S4)总结了基于GNN的链接预测技术的进展。在第5节 (https://arxiv.org/html/2607.16198#S5)中，我们探讨了链接预测的应用，重点在推荐系统和知识图谱。第6节 (https://arxiv.org/html/2607.16198#S6)总结了近期研究中的开放问题，并突出了可能的未来方向。最后，第7节 (https://arxiv.org/html/2607.16198#S7)对本文进行总结。

## 2 预备知识与符号

在本节中，我们提供预备知识和符号的详细描述。我们通过形式化基本符号系统、系统化图类型分类、范式化链接预测任务公式以及构建GNN结构，为基于GNN的链接预测任务建立一个严格的概念框架。

### 2.1 图

图通过一组节点和连接它们的边来表示对象及其关系。图的概念非常灵活，使其能够应用于建模和分析各种类型的网络和系统，包括社交网络、交通网络和计算机网络。为了捕捉现实世界系统的复杂结构，对图结构数据的研究已逐渐从简单图扩展到各种复杂图。各种类型图的符号定义如下，示意图如图2 (https://arxiv.org/html/2607.16198#S2.F2)所示。

参见图说明  
图 2：链接预测中图结构的分类。此图说明了现代链接预测中遇到的各种架构范式，范围从基础拓扑到复杂拓扑。简单图表示同质节点之间的基本连接，而异构图和知识图谱引入了多类型实体和关系，需要高级语义建模。动态图通过带时间戳的快照捕捉网络的时间演化，而超图和多层图分别考虑了高阶交互和多维关系层。这些结构共同代表了当前基于GNN方法旨在应对的多面数据景观，突出了从低维拓扑到高阶、非欧几里得复杂性的转变。

- • 简单图：一个简单图 \(G^s\) 可以数学表示为 \(G^s = (V, E)\)，其中 \(V\) 是一组节点，\(E\) 是一组边。每条边是一对不同节点，即 \(E \subseteq \{ \{u, v\} \mid u, v \in V \text{ 且 } u \neq v \}\)。
- • 异构图：异构图允许不同类型节点和边共存。一个异构图 \(G^{he}\) 表示为 \(G^{he} = (V, E, T_V, T_E)\)，其中 \(V\) 是节点集，\(E\) 是边集。\(T_V\) 是节点类型集，每个节点 \(v \in V\) 有一个类型标签 \(\tau_V(v) \in T_V\)。类似地，\(T_E\) 是边类型集，每条边 \(e \in E\) 有一个类型标签 \(\tau_E(e) \in T_E\)。
- • 动态图：动态图，也称为时间图，包含大量时间戳信息。数学上，一个动态图可以表示为：给定图 \(G^d = (V, E)\)，\(V = \{v, t_s, t_e\}\)，其中 \(v\) 是图的一个顶点，\(t_s, t_e\) 分别是顶点存在的起始和结束时间戳（\(t_s \leq t_e\)）。\(E = \{u, v, t_s, t_e\}\)，其中 \(u, v \in V\)，\(t_s, t_e\) 分别是边存在的起始和结束时间戳（\(t_s \leq t_e\)）。
- • 超图：超图是网络的一种特殊设置，它允许边连接任意数量的顶点。一个超图 \(G^{hy}\) 是一个对 \((V, E)\)，其中 \(V\) 是节点集，\(E\) 是超边集。每条超边 \(e \in E\) 是节点集的一个非空子集，即 \(e \subseteq V\) 且 \(e \neq \emptyset\)。与普通图不同，超边可以连接多个（两个以上）节点。
- • 多层图：给定一组 \(n\) 个实体的集合 \(V\) 和一组层 \(L = \{L_1, \cdots, L_l\}\)，索引在 \(L = \{1, ..., l\}\) 中，且 \(|L| = l \geq 2\)，我们用一个带属性的多层网络表示为 \(G^m = (V_L, E_L, V, L)\)，其中 \(V_L \subseteq V \times L\) 是 \(L\) 中所有实体出现（即节点）的集合，特别地，\(V_l\) 是层 \(l\)（\(l \in L\)）中的节点集；\(E_L\) 是属于同一层的节点之间的边集，且 \(E_l \subseteq V_l \times V_l\)。