基于贝叶斯图神经网络的链路预测模型产品系统

本项目为论文，旨在解决复杂网络模型中的链路预测问题。● 论文链接：https://ieeexplore.ieee.org/document/11096302

项目介绍：本项目旨在解决复杂网络中的链路预测问题及增强模型的可解释性，提出了一种结合图神经网络（GNN）和贝叶斯网络的创新框架。通过多层次的图神经网络提取节点的局部和全局结构特征，并结合节点属性信息，利用贝叶斯网络进行概率推理，在SCHOLAT数据集上实现了93%的准确率，在YST数据集上实现了81%的准确率，显著优于现有的GNN和传统链路预测方法。

● 主要贡献：负责设计和实现基于图神经网络的特征提取模块，捕捉网络中的拓扑结构信息；在SCHOLAT和YST等标准数据集上进行实验，评估模型的准确性、精确度、召回率和AUC等指标。形成EI会议论文已发表（本人二作）。