计算机工程

作者：陈亮, 赵英, 史晟辉, 尹琳

单位：1. 北京化工大学信息科学与技术学院, 北京 1000292. 中日友好医院远程医疗中心, 北京 100029

关键词：链路预测,超图,超图神经网络,对偶超图转换,深度学习

基金：中央高水平医院临床业务费专项成果转化项目(2023-NHLHCRF-YXHZ-MS-04); 北京化工大学-中日友好医院生物医学转化工程研究中心联合项目(XK2023-18)

随着信息技术的飞速发展, 链路预测技术已经在多个领域得到了广泛的应用。目前的链路预测方法通常采用子图提取的方式, 其中一种基于线图转换(LGT)与图卷积神经网络(GCN)的模型在链路预测问题上取得了优异的效果, 但仍存在2个问题: 1)LGT的时间复杂度过高和转换后子图的规模过大导致其难以被广泛应用; 2)GCN忽略了节点间的高阶关系和局部聚类结构, 会对预测精度产生一定的影响。为解决上述问题, 提出一种基于超图卷积神经网络(HGCN)的链路预测方法HGLP。该方法使用对偶超图转换(DHT)替代LGT以做到在不损失任何结构信息的情况下提高系统的运行效率, 同时运用HGCN分别学习超图中超节点与超边的高阶特征以实现更高的预测精度。实验结果表明, 在曲线下面积(AUC)和平均准确率(AP)2个指标下, 所提出的方法在7种不同领域的真实图数据集中的表现不仅优于现有的链路预测方法, 而且内存占用更少、运行时间更短。

来源：2026年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第1期