---
title: "連結預測（Link Prediction）"
slug: link-prediction
language: zh-TW
source: https://aiterms.tw/terms/link-prediction
updated_at: 2026-06-22
tags: [機器學習, 深度學習, 知識圖譜, AI應用]
ipas_term: false
---

# 連結預測（Link Prediction）

一種圖學習任務，目標是預測圖中兩個節點之間是否存在或將存在邊的連結。

## 完整說明

連結預測是圖神經網路的重要應用之一，任務是預測圖中節點對間是否存在邊。在社交網路中，連結預測對應「推薦好友」；在知識圖譜中，對應「關係預測」；在蛋白質互作網中，對應「相互作用預測」。連結預測既可以是靜態的（預測圖中缺失邊），也可以是動態的（預測未來時刻的新邊），是檢驗 GNN 對圖結構學習能力的重要基準。

## 常見問題

### 在連結預測中，訓練時應使用哪些邊作為負例？

標準做法是使用不存在的邊（即訓練圖中沒有連接的節點對）作為負例。但若簡單隨機採樣，可能樣本過於簡單（大多數隨機對都不存在邊）。難負採樣策略包括：(1) 根據高次相似度節點對採樣（如共同鄰居多的節點對），(2) 基於模型分數採樣（困難的錯誤預測），(3) 根據結構距離採樣（如距離為 3 的節點對）。難負採樣能提升模型的區分能力。

### 如何評估連結預測模型？

常見的評估指標包括：(1) AUC（Area Under ROC Curve），衡量模型的排序能力，(2) 平均精度（AP），關注排序靠前的正例，(3) Hit@K，評估前 K 個預測中有多少是正確的，(4) NDCG，考慮排序位置的加權指標。不同應用場景可能選擇不同指標。AUC 是最常用的，因為它不依賴於決策閾值。

### 連結預測在靜態圖和動態圖上有何不同？

靜態連結預測在固定圖上預測缺失邊，訓練測試邊集不重疊即可。動態連結預測預測未來時刻的新邊，需要時間序列信息。動態設定更複雜，因為圖結構和節點特徵隨時間演變。模型需捕捉演變模式，如使用循環網路或時態圖神經網路。動態設定更貼近現實（社交網路、引用網路都隨時間變化），但評估更困難。

---

來源：https://aiterms.tw/terms/link-prediction
快查頁：https://aiterms.tw/terms/link-prediction
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-link-prediction