链接预测的核心思想是基于现有的网络结构和节点特征，预测网络中可能会出现的连接。换句话说，给定一个图G=(V,E)G=(V,E)，其中V表示节点的集合，E表示当前已存在的边的集合，链接预测的目标是预测哪些节点对在未来可能形成边。

---

1.    DySAT

（有代码2019第十三届网络搜索和数据挖掘国际会议记录）
（属于Static节点数量不变，离散网络——基于自注意力机制）
适用于图结构发生改变的带权有向图的动态建模（不出现节点增减，只有边的增减）

输入：
一系列动态图的快照，表示为 G={G1,...,GT}，其中 T 是时间步长。每个快照 Gt = (V, Et) 是一个加权无向图：
V 代表节点集，即图中所有节点的集合。
Et 代表链接集，即在时间步 t 时刻，图中所有存在的链接的集合，而不是链接的值。
时间 t 的加权邻接矩阵 At，其中 Auv 表示链接 (u,v) 的权重。

输出：
预测未来6个时间步的链接。

如何利用DySAT的输出进行链路预测？
1.使用哈达玛积 (Hadamard Product) 计算节点对的特征表示。
(例如，节点 u 和节点 v 在时间步 t 的 embeddings 分别为 e_u^t 和 e_v^t，则它们对应的节点对特征表示为 e_u^t ⊙ e_v^t (⊙ 代表哈达玛积)。)
2.逻辑回归分类器: 将节点对特征表示作为输入，训练一个逻辑回归分类器。该分类器输出预测节点对之间链接的概率。
（一些总体架构理解：对于每一个时间点，通过结构self-attention对节点进行学习，得到的向量表示作为时域self-attention层输入。

1.1结构self-attention

对于t时刻，输入是当前图结构G和节点特征向量X，输出是针对每个节点v， 。
 表示本层的输出，也就是本层最终对于节点v ，计算得到其在每个时刻聚合邻域后表示：{ h v 1 , h v 2 , … , h v T } 
 

1.2 Temporal Self-Attention

这一层是对每个节点在时间维度上进行处理，最终得到节点在每个时间步的表示 

dysat模型结构图片参考：

"版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44731019/article/details/128899033"

---

2.DyGLib

(2023 有代码 第37届神经信息处理系统会议)

属于Static节点数量不变，连续网络——基于Transformer 架构
适用于图结构发生改变的带权有向或无向图的动态建模
解决问题：
以往的方法缺乏捕捉节点间相关性或长期时间依赖性的能力。 不同方法的训练流程不一致，常常导致可重复性差
 

输入：
 
输入的时间序列长度，由可调参数P控制：如果输入序列长度为 32，patch size（P） 可能设置为 1，则时间点数量为 32。如果输入序列长度增加到 64，patch size 可能增加到 2，时间点数量仍然为 32。

输出：
预测在时间 t时，节点 u和 v连接的概率（非时间序列，只是一个时间点)(动态链接预测） 
动态节点分类，推断在时间 t时,节点 u或 v的状态。
优点缺点：
好：输入的数据是时序的；不好：输出的未来一个时间点的边值。
问题：
应用于预测多个未来时间点的动态交互？如果可以，它在实现这个功能时会如何调整其模型结构和预测策略？

---

3.利用异构图卷积网络学习空间交互表示在城市土地利用推断中的应用

（国际地理信息科学杂志）
图结构不发生改变的带权图
解决问题：
如何利用空间交互特征来提高城市土地利用推断的准确性。

输入：
POI数据: 用于表征空间单元的功能特征，包括POI的经纬度、名称、地址、类别等信息。

土地利用数据: 用于训练和评估模型，包括不同空间单元的土地利用类型及其比例。

空间交互特征: 反映了不同空间单元之间由于供需关系而产生的社会经济联系，例如：
深圳： 使用手机信令数据记录了 2018 年 11 月份深圳市用户在预定义的 250 米×250 米网格之间的每日移动数据，包含起点、目的地、日期和移动次数等信息。
伦敦： 使用了伦敦交通局自行车流量数据集，记录了 2020 年伦敦市中心自行车租赁站在不同站点之间的每小时移动数据，包含起点、目的地、时间和骑行次数等信息

输出：
每个空间单元内各种城市土地利用类型的比例。

模型：
空间邻接图和 OD 流图分别建模，并通过 HGCN 模型整合，共同用于提升城市土地利用推断的精度。