图神经网络链接预测研究综述：技术、应用与挑战

图神经网络（GNN）已成为链接预测领域的主流方法，能够有效推断缺失连接并预测潜在未来链接。然而，现有综述缺乏针对底层GNN架构和多样化图结构的系统性探讨。为填补这一空白，本文从新颖且专门的GNN视角，对基于GNN的链接预测进行了全面回顾。

研究提出了一种创新的分类法，将最新进展按技术和应用两个维度进行归类。从技术角度看，重点关注关键GNN编码器架构，包括基于图卷积网络（GCN）、图自编码器（GAE）、图注意力网络（GAT）和图变换器（GFormer）的方法，并分析了各自的优势与局限。从应用角度看，重点介绍了链接预测在知识图谱和推荐系统中的突出用例，展示了其实际应用价值。

此外，论文还深入探讨了当前面临的挑战，包括模型可扩展性、异构图处理、动态图适应等问题，并对未来研究方向进行了展望，如结合自监督学习、探索更高效的图表示方法等，为后续研究提供了重要参考。