本文共 629 字，大约阅读时间需要 2 分钟。

链接预测是网络结构化数据的重要课题。传统的启发式方法（如共同邻居、Katz指数等）使用预设的假设来预测节点间是否存在链接。然而，这些方法在假设失效时表现不佳。为此，本研究提出了一种基于伽马衰减理论的启发式学习框架，通过从局部子图中提取模式来自动学习适合网络的启发式。

首先，我们提出了一种γ-衰变启发式理论，将各种启发式学习统一到一个框架中，并证明局部子图能够很好地逼近高阶启发式的信息。基于这一理论，我们进一步开发了SEAL（Structured Embedding and Attention Learning）框架，用于链接预测。SEAL通过从局部子图中学习节点信息矩阵，并结合图神经网络（GNN），显著提升了性能。

在SEAL框架的核心步骤中，我们首先提取一组封闭子图，并构建节点信息矩阵。节点信息矩阵由结构节点标签、节点嵌入和节点属性组成。结构节点标签采用双半径节点标记（DRNL）方法，反映节点在封闭子图中的相对位置和拓扑结构。结合潜在和显式特征，通过负注入技巧提升了模型性能。

实验结果显示，SEAL在多种基准数据集上均优于现有的启发式方法、潜在特征模型和网络嵌入技术。相比WLNM（Weisfeiler-Lehman Neural Machine），其性能提升显著，如图1所示。同时，SEAL在潜在特征集成策略下的表现如图2所示。

本研究的创新点在于提出了基于伽马衰减理论的启发式学习框架，并通过构建结构化节点嵌入，显著提升了链接预测的性能。