链路预测的混合模型
内容提要
该文综述图神经网络链接预测研究，涵盖GMoE、LPFormer、MPLP、NCN、PLNLP等模型，分别从混合专家、成对编码、准正交向量、公共邻居、成对学习等角度提升预测性能。研究还提出可解释框架，并总结局部结构、全局结构与特征接近度三大关键因素，为模型设计与基准评估提供指导。
延伸解读
模型演进：从单一到混合
文章梳理了链路预测模型的演进脉络：早期方法如SEAL（2018）依赖局部子图提取，MPLP（2023）利用准正交向量增强消息传递，而GMoE（2023）则引入混合专家思想应对多样图结构。LPFormer（2023）和NCN（2023）分别从成对编码和公共邻居角度切入，PLNLP（2021）提供灵活框架。这些工作显示，链路预测正从单一机制转向混合与自适应建模，以捕捉复杂链接模式。
可解释性与理论支撑
除了性能提升，文章还强调了可解释性和理论进展。自我可解释的GNN框架（2023）能同时给出预测和解释，通过识别重要邻居来增强透明度。此外，首个理论研究（2022）证明了GNN在跨领域归纳链接预测中的有效性，为模型泛化提供了依据。这些工作表明，链路预测研究不仅追求精度，也开始关注模型的可信度与理论基础。
数据为中心的设计原则
文章最后从数据为中心的角度，确认了影响链路预测的三个关键因素：局部结构接近度、全局结构接近度和特征接近度。这一观点提示，模型设计不应只关注架构创新，还需考虑数据特性。例如，GMoE通过混合专家适应不同图结构，LPFormer建模多种因素，都呼应了这些原则。该洞察为选择基准数据集和设计更全面的评估提供了实用指导。
Q&A
GMoE模型是什么？它有什么特点？
GMoE是Graph Mixture of Expert模型，将混合专家（MoE）思想引入图神经网络，用于同时建模多样的训练图结构，在OGB基准测试中表现提升。
LPFormer如何实现链接预测？
LPFormer通过学习适应性地编码每个链接的成对编码，并利用注意力模块建模与链接预测相关的多个因素，从而模拟链接间的成对编码，在多个数据集上达到最先进性能并保持效率。
MPLP模型的核心思想是什么？
MPLP是一种基于消息传递的链接预测模型，利用准正交向量来估计链接级结构特征，同时保留节点级复杂性，在多个基准数据集上对基准方法有一致优化效果。
NCN算法如何解决关联预测中的成对关系问题？
NCN使用可学习的成对表示的神经公共邻居算法，并针对网络不完整问题提出两种干预方法：common neighbor completion和target link removal，实验表明其表现优于现有强基线。
PLNLP框架包含哪些主要组件？
PLNLP框架包含四个主要组件：邻域编码器、链接预测器、负采样器和目标函数，并在OGB基准上评估，具有灵活性，可选用任何通用图神经卷积或链接预测特定神经结构。
链接预测中确认了哪三个关键因素？
三个关键因素是：局部结构接近度、全局结构接近度和特征接近度，它们之间的关系为GNN4LP模型设计和基准数据集选择提供了指导。
