图神经网络实战（13）——经典链接预测算法

图神经网络实战（13）——经典链接预测算法

0. 前言

链接预测 (

Link prediction

) 可以帮助我们理解和挖掘图中的关系，并在社交网络、推荐系统等领域提供更准确的预测和决策支持。为了解决链接预测问题，研究者们提出了多种方法。首先，本节将介绍基于局部和全局邻域的启发式方法。然后，我们将介绍矩阵分解及其与 DeepWalk 和 Node2Vec 的联系。

1. 链接预测

链接预测 (

Link prediction

，也称链路预测)是图学习中的常见任务之一，用于预测两个节点之间是否存在链接的问题。链接预测是社交网络和推荐系统的核心，例如，在社交网络中，链接预测可以用于发现潜在的朋友关系、推荐共同的兴趣爱好，或者预测用户之间的互动行为。直观地说，如果存在链接的可能性很高，就更有可能与这些人建立联系，这种可能性正是链接预测试图预测的内容。

2. 启发式技术

启发式技术 (

Heuristic technique

) 是一种简单实用的预测节点之间链接的方法。它们易于实现，并为连接预测任务提供了强大的基准。根据这些方法执行的跳数 (

hop

)，我们可以将它们进行分类，如下图所示。其中一些方法只需要与目标节点相邻的

1 跳

(

1-hop

) 邻居，而更复杂的技术还需要考虑

2 跳