本研究提出了一种图视觉网络（GVN）框架，旨在解决传统图神经网络在链接预测中未充分利用视觉信息的问题。实验结果表明，该框架在多个数据集上表现优异，为链接预测提供了新的研究方向。

本研究提出了一种新的链接预测方法，针对知识图谱的普遍不完整性。通过重新分析知识图谱及现有工具，强调链接预测应视为结构性任务，以促进知识图谱学习和跨知识图谱转移学习的理解，提供新的视角和潜在影响。

本研究探讨了维基数据知识表示中的社会偏见，特别是在链接预测任务中对少数群体的影响。提出的AuditLP框架利用公平性指标识别性别和年龄偏见，发现偏见结果与全球北方和南方的社会经济文化分区相关。

本研究探讨自监督学习中图嵌入的平滑性与下游任务表现之间的平衡，提出了一种新的损失函数以提升图嵌入质量。实验结果显示，该框架在节点分类和链接预测任务中表现优异。

本研究通过结合预训练的欧几里得模型与超曲线交互项，解决了知识图谱补全中的几何表达不足问题，从而提高了链接预测的准确性和数据分布特性的捕捉能力。

本研究提出了一种N元子图推理框架，旨在解决知识图谱中N元关系事实的链接预测能力不足问题。通过引入N元语义超图结构及子图聚合网络NS-HART，该框架有效捕捉复杂N元模式，并在多项基准测试中展现出优越的推理能力。

本文研究了缺失链接预测方法，提出了新的加权矩阵分解、布尔矩阵分解和推荐矩阵分解，结合自动模型选择和不确定性量化技术，以提高链接预测的可靠性和准确性。实验结果表明，该方法在蛋白质相互作用网络中显著提升了预测性能。

本文探讨了链接预测的评估问题，指出现有方法未考虑多种因素。通过实验，提出了严格的评估设置，揭示了不同因素对性能的影响，并提供了最佳实践建议。

本研究提出一种两阶段框架，整合知识图谱与大语言模型，通过自我监督量化表示方法压缩知识图谱信息。实验结果表明，该方法在链接预测和三元组分类任务中显著优于现有技术。

本研究提出双层行走（TLWalk）算法，解决了图嵌入方法在捕捉社区结构方面的不足。TLWalk通过社区感知的随机行走机制，平衡社区内部与外部的关系，降低局部偏倚。实验表明，该算法在链接预测任务中的准确率提高了3.2%，且具有良好的适应性和可扩展性。

本研究探讨了动态图嵌入在复杂时间演变网络中的应用，提出了三种新模型（TransformerG2G、DG-Mamba、GDG-Mamba），在链接预测任务中表现优异，特别适合高时间变异的数据集。

本研究提出了SimMLP框架，通过自监督学习解决图神经网络在推理中的延迟问题。SimMLP与图神经网络等效，并在节点分类和链接预测等任务中表现优于现有方法。

本研究提出了一种新的扰动本体图注意网络（POGAT），旨在解决异构图神经网络在捕捉节点语义关联时的手动规范依赖问题。通过结合本体子图与自监督学习，POGAT在链接预测和节点分类任务中显著提升了性能，超越了现有模型。

本研究提出了一种泊松-伽马边划分模型，用于动态建模时间网络中的潜在社区。实验结果表明，该模型在链接预测和社区检测方面优于其他动态网络模型，深入揭示了复杂网络的动态演变。

本研究提出了一种模糊图注意网络（FGAT），旨在解决传统图神经网络在链接预测中因随机负采样导致的性能不足问题。FGAT结合模糊粗集进行动态负采样和节点特征聚合，显著提升了训练效率和准确性。实验结果表明，FGAT在研究合作网络中的链接预测精度优于现有方法。

本研究提出了一种统一的层次表示学习框架（UniHR），用于知识图谱的链接预测。该方法通过层次数据表示和学习模块，提升了模型对不同类型知识图谱的适应性，实验结果表明其在多个数据集上优于现有模型。

本文介绍了GRank图模式实体排名模型，并评估其在链接预测任务中的表现，结果优于ComplEx和TorusE。研究还探讨了知识图谱的结构学习、补全及质量评估，提出了改进评估方法的建议，强调了知识图谱在各领域的应用潜力。

本研究探讨了图自编码器（GAE）在链接预测任务中的潜力，结果表明优化后的GAE在性能上可与复杂模型相媲美，同时计算效率更高。

本研究提出了一种新框架RAGraph，旨在提升图神经网络在未见图数据上的泛化能力。RAGraph通过引入外部图数据，在节点分类、链接预测和图分类等任务中显著优于现有方法，且无需特定任务微调，展现出灵活性和广泛适用性。

本文介绍了一种名为语言模型图神经网络（LM-GNN）的新框架，结合图结构与文本，提升节点分类和链接预测性能。研究探讨了大型语言模型在图学习中的应用，提出无标签节点分类方法和集成学习技术，实验证明LM-GNN在多个任务中表现出色，为未来研究提供新方向。