基于上下文学习的通用链接预测器
内容提要
本文综述链接预测研究进展，涵盖GraphLP、SiaILP、LPNL、Bi-Link等模型，涉及生成式网络、归纳学习、大语言模型应用及半归纳基准测试，并探讨局部与全局结构接近度等关键因素。
延伸解读
链接预测的范式转变：从判别式到生成式
文章指出，GraphLP 模型区别于传统的判别式神经网络，采用生成式网络重构理论。这意味着链接预测不再局限于对给定图结构进行判别，而是尝试生成或重构网络结构，从而探索高阶连接模式。这种范式转变可能带来更强的泛化能力，但也可能增加计算复杂度。读者需关注生成式方法在不同规模图上的可扩展性。
归纳学习与半归纳基准的挑战
SiaILP 模型展示了归纳链接预测的进展，能够泛化到新实体而无需微调。然而，文章提到半归纳链接预测的基准测试表明，其性能远不及透视性能。这揭示了当前模型在处理半归纳场景时的局限性，尤其是在集成语境和文本信息方面。读者应注意到，归纳与半归纳设定下的性能差距仍是未来研究的重要方向。
大语言模型与图学习的融合趋势
文章介绍了 LPNL 和 Bi-Link 等模型，它们将大语言模型（如 T5、BERT）应用于链接预测。LPNL 通过自然语言处理大规模异构图，Bi-Link 利用 BERT 的语法知识进行关系预测。这些工作表明，大语言模型不仅能处理文本，还能为图结构学习提供语义支持。但读者需注意，这类方法可能依赖大规模预训练模型，计算资源需求较高。
数据为中心的设计原则与评估指导
文章强调以数据为中心的观点，确认了局部结构接近度、全局结构接近度和特征接近度三个关键因素。这些因素影响 GNN4LP 模型的设计和基准数据集的选择。例如，直接计算 3 跳路径个数可能比传统的 2 跳路径更准确。这提示研究者和实践者，在构建链接预测模型时，应优先考虑数据特性，而非盲目追求复杂模型。
Q&A
GraphLP 是什么？它和传统的链接预测模型有什么不同？
GraphLP 是一种基于网络重构理论的生成式神经网络模型，区别于传统的判别式神经网络模型。它利用深度学习提取图表结构信息并探索高阶连接模式来实现链路预测，实验证明在不同数据集上都具有优异性能。
SiaILP 模型如何实现归纳链接预测？
SiaILP 使用孪生神经网络，基于路径进行归纳链接预测，仅依赖关系和路径嵌入，可泛化到新实体而无需微调。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。
LPNL 框架是如何将大语言模型应用于链接预测的？
LPNL（通过自然语言进行链接预测）框架将大规模语言模型应用于图学习，处理大规模异构图上的可扩展链接预测任务。它通过自我监督学习细调基于 T5 模型的链接预测模型，实验证明在大规模图链接预测任务上表现出色。
Bi-Link 模型在链接预测中有什么创新？
Bi-Link 是一个对比学习框架，利用 BERT 的语法知识进行有效搜索来进行关系预测，并设计了对称的关系预测模型。在链接预测数据集（WN18RR、FB15K-237 和 Wikidata5M）上优于最近的基准线。
链接预测中哪些关键因素被确认？它们之间有什么关系？
以数据为中心的研究确认了三个关键因素：局部结构接近度、全局结构接近度和特征接近度，并揭示了它们之间的关系。这些新洞察启发了 GNN4LP 模型设计以及选择适当基准数据集进行更全面评估的实用指导。
半归纳链接预测的基准测试结果如何？
提出了一个大规模基准测试用于评估半归纳链接预测模型，实验发现半归纳链接预测表现远不及透视性能，在集成语境和文本信息的半归纳链接预测模型方面提供了进一步研究的测试平台。
