知识图谱中的链接预测是指识别图中未明确表示的实体之间缺失的或潜在的关系的任务。知识图谱将实体（例如人、地点或概念）表示为节点，将其关系（例如“任职于”或“位于”）表示为边。链接预测算法分析图的现有结构和属性，以推断新的连接。例如，如果一个知识图谱包含表示“Alice”和“CompanyX”的节点，但缺少它们之间的“worksAt”边，链接预测可能会基于间接模式（例如共享连接或节点属性）推断出这种关系。
链接预测的常用技术分为两类：基于嵌入的方法和基于图特征的方法。嵌入方法，如 TransE 或 DistMult，将实体和关系映射到低维向量中。这些模型通过确保关系的向量表示（例如“任职于”）近似于相连实体（例如 Alice 和 CompanyX）的嵌入之间的差异来进行训练。在推理过程中，模型对候选三元组（头、关系、尾）进行评分，以对可能的连接进行排序。或者，基于图特征的方法利用结构模式，例如共同邻居的数量或基于路径的度量，来预测链接。例如，如果两个节点共享多个邻居，它们可能更有可能存在直接连接。混合方法，如图神经网络 (GNN)，结合了这些想法，通过在图上传播信息来捕获局部和全局模式。
链接预测在推荐系统、数据集成和知识图谱补全方面具有实际应用。例如，在电子商务中，预测用户和产品之间的“购买”关系可以改进推荐。在生物医学研究中，它可能会为进一步研究提供潜在的药物-靶点相互作用建议。挑战包括处理稀疏或嘈杂的数据、大型图的可伸缩性以及在关系依赖于复杂逻辑时确保准确性。开发者通常通过调整模型架构（例如使用负采样处理稀疏图）或引入领域特定规则来解决这些问题。PyTorch Geometric 或 DGL 等工具简化了这些模型的实现，使开发者能够尝试嵌入、GNN 或基于规则的逻辑，以平衡性能和可解释性。