圖神經網路（GNN）已成為連結預測領域的主流技術，能夠高效推斷缺失連線並預測未來潛在連結。然而，現有綜述往往缺乏對底層GNN架構和多樣圖結構的系統探索。為彌補這一空白，來自多家機構的Chengcheng Sun等8位研究人員在arXiv上提交了題為“A Survey on GNN-based Link Prediction: Techniques, Applications, and Challenges”的論文（編號arXiv:2607.16198），該文已被WIREs: Data Mining and Knowledge Discovery期刊接收，提供了一份從全新GNN視角出發的全面綜述。
論文提出了一種創新的分類法，分別從技術和應用兩個維度對最新進展進行歸類。在技術層面，作者重點分析了四種關鍵的GNN編碼器架構：基於圖卷積網路（GCN）的方法、基於圖自編碼器（GAE）的方法、基於圖注意力網路（GAT）的方法以及基於圖Transformer（GFormer）的方法。GCN透過區域性鄰域聚合來學習節點表示，在同構圖上表現優異；GAE則利用編碼器-解碼器結構進行無監督學習；GAT引入注意力機制，能夠自適應地關注重要的鄰居節點；而GFormer則將Transformer架構擴充套件至圖資料，擅長捕捉長距離依賴。論文詳細討論了每種架構的優勢與侷限，並提供了相關例項。
在應用層面，論文著重介紹了連結預測在知識圖譜和推薦系統中的突出用例。在知識圖譜中，連結預測用於補全缺失的事實三元組，從而提升知識庫的完整性；在推薦系統中，連結預測則用於預測使用者與物品之間的潛在互動，進而提供個性化推薦。這些應用充分展示了GNN在實際場景中的顯著效果。
此外，論文深入剖析了當前面臨的主要挑戰，包括動態圖處理、異構圖的可擴充套件性、訓練資料稀疏性等問題。針對這些挑戰，作者探討了自監督學習、預訓練模型和跨領域遷移等有前景的未來方向。該綜述的最終版本將在期刊網站上釋出，其相關的論文列表和程式碼資源也已公開在GitHub上。這項系統性的工作為研究人員和工程師提供了寶貴的參考，有助於推動GNN在連結預測領域的進一步發展。