基于图神经网络的链接预测：技术、应用与挑战综述

图神经网络（GNN）已成为链接预测领域的主流技术，能够高效推断缺失连接并预测未来潜在链接。然而，现有综述往往缺乏对底层GNN架构和多样图结构的系统探索。为弥补这一空白，来自多家机构的Chengcheng Sun等8位研究人员在arXiv上提交了题为“A Survey on GNN-based Link Prediction: Techniques, Applications, and Challenges”的论文（编号arXiv:2607.16198），该文已被WIREs: Data Mining and Knowledge Discovery期刊接收，提供了一份从全新GNN视角出发的全面综述。

论文提出了一种创新的分类法，分别从技术和应用两个维度对最新进展进行归类。在技术层面，作者重点分析了四种关键的GNN编码器架构：基于图卷积网络（GCN）的方法、基于图自编码器（GAE）的方法、基于图注意力网络（GAT）的方法以及基于图Transformer（GFormer）的方法。GCN通过局部邻域聚合来学习节点表示，在同构图上表现优异；GAE则利用编码器-解码器结构进行无监督学习；GAT引入注意力机制，能够自适应地关注重要的邻居节点；而GFormer则将Transformer架构扩展至图数据，擅长捕捉长距离依赖。论文详细讨论了每种架构的优势与局限，并提供了相关实例。

在应用层面，论文着重介绍了链接预测在知识图谱和推荐系统中的突出用例。在知识图谱中，链接预测用于补全缺失的事实三元组，从而提升知识库的完整性；在推荐系统中，链接预测则用于预测用户与物品之间的潜在交互，进而提供个性化推荐。这些应用充分展示了GNN在实际场景中的显著效果。

此外，论文深入剖析了当前面临的主要挑战，包括动态图处理、异构图的可扩展性、训练数据稀疏性等问题。针对这些挑战，作者探讨了自监督学习、预训练模型和跨领域迁移等有前景的未来方向。该综述的最终版本将在期刊网站上发布，其相关的论文列表和代码资源也已公开在GitHub上。这项系统性的工作为研究人员和工程师提供了宝贵的参考，有助于推动GNN在链接预测领域的进一步发展。