在图任务中，所谓链接预测，一般有两种含义：在静态网络中，链接预测用于发现缺失的链接，而在动态网络中，链接预测用于预测未来可能出现的链接。

之前学术界关于链接预测的方案主要可以分为三类：启发式方法（Heuristic Methods），Network Embedding的方法和图神经网络方法。

1.启发式方法（Heuristic Methods）： 主要考虑利用两个节点之间一些预先定义的特征来衡量节点之间的相似度，比如，节点的共同邻居（Common Neighbor），Jaccard相似度，Katz Index等，这样的方法假设存在边关系的节点之间存在某种特定的结构特性，但这样的假设不一定对任意网络都有效。

2.Network Embeddings方法： 使用基于游走的方法得到经过某个节点的多条路径，再通过Skip-Gram和CBOW的方式，对路径上mask的节点进行预测。这样的方法，没有直接将链接预测任务嵌入到有监督学习的流程中，并且无法较好的利用用户的节点属性，无法达到较好的预测精度。

3.图神经网络（graph neural network，GNN）： 主要分为两类，节点为中心的图神经网络模型（Node-centric GNN）和边为中心的图神经网络模型（Edge-centric GNN）。

在GNN链接预测中，我们一般将链接预测转换为一个二分类问题：图中存在的边我们称之为正样本，不存在的边我们称之为负样本。

一个现实的问题是：网络中存在的链接数往往都是远小于不存在的链接数的，也就是说图中的正样本数量远小于负样本数量，为了使模型训练较为均衡，我们通常先将正样本分为训练集、验证集和测试集，然后再分别从三个数据集中采样等同数量的负样本参与训练、验证以及测试。
详细见：链接预测中训练集、验证集以及测试集的划分(以PyG的RandomLinkSplit为例)