标签
本综述从专门的GNN视角全面回顾了基于GNN的链接预测，按技术（GCN、GAE、GAT、GFormer）和应用（知识图谱、推荐系统）对近期进展进行分类，并讨论了挑战与未来方向。
本文提出 GRATE（用于时间编码的门控旋转注意力），一种无参数的时间编码方法，通过结合相对时间差和查询条件门控来增强归纳知识图谱基础模型。同时引入了新的归纳时间知识图谱基准（GDELTIndT 和 WIKIIndT）以评估跨数据集迁移，展示了相比静态基础模型的性能提升。
引入了漂移感知时间图重连（DATGR），动态更新生物医学文本图中的共现边，捕获语义漂移而无需完整重新训练。在BIOMRC上的评估表明，与静态基线相比，平均AUROC提升了0.066，同时保持了精确度。
本文介绍了PGRE，一种用于动态知识图谱的概率模型，该模型利用泊松-伽马和马尔可夫过程捕获关系间依赖，在尤其稀疏场景下实现了具有竞争力的链接预测性能。
TAG-DLM 在一个掩码扩散语言模型中统一了文本推理与图消息传递，使得能够在节点分类和链接预测任务中联合推理文本与图拓扑。
提出RelBall，一种知识图谱补全模型，其扩展了Rotate3D，通过模变换建模层次结构，并采用以尾实体为中心的关系球处理一对多关系，在链接预测上取得了有竞争力的性能。
TeRoR提出了一种新颖的时序知识图谱嵌入方法，该方法通过独立的旋转变换解耦实体时序演化，并利用关系圆形区域建模多种关系映射属性，在四个数据集上取得了具有竞争力的性能。
提出了KMAS，一种自适应负采样方法，用于改进知识图谱基础模型的训练，在44个数据集上取得了最先进的结果。
本文提出了一种面向符号图神经网络的模块化时间增强框架，通过历史上下文集成模块（HCIM）结合LSTM和多头时间注意力机制整合历史上下文，在真实世界的时间符号网络上进行动态链接预测时取得了持续改进。
本文为超关系知识图谱提出了一项新任务——事实生成，并提出了KREPE，一种基于掩码离散扩散的生成式表示学习方法，该方法统一了链接预测与事实生成，达到了最先进的性能。
本文将实例判别自监督学习应用于图中的链接预测，提出了基于链接表示的新模型L-GRACE和L-BGRL，这些模型在无属性图上尤其能提升性能。