原创力文档摘要
高阶网络链路预测研究旨在预测多个节点之间的超边是否存在。该课题有着
广泛的应用场景，包括化学反应预测和社交平台上的用户推荐等等。基于超图神
经网络（HypergraphNeuralNetworks,HGNNs）的图表示学习方法是目前最常用
和性能最突出的一类方法。在高阶网络中，根据超边是否带有时间信息，可以将
其分为静态和动态两类。本文针对这两类网络进行研究，主要工作分为以下两个
部分：
1HGNNs
摘要
高阶网络链路预测研究旨在预测多个节点之间的超边是否存在。该课题有着
广泛的应用场景，包括化学反应预测和社交平台上的用户推荐等等。基于超图神
经网络（HypergraphNeuralNetworks,HGNNs）的图表示学习方法是目前最常用
和性能最突出的一类方法。在高阶网络中，根据超边是否带有时间信息，可以将
其分为静态和动态两类。本文针对这两类网络进行研究，主要工作分为以下两个
部分：
1HGNNs
文档评论（0）