文章总结： 吉林大学人工智能学院2024级博士生杨哲健的论文《TGSBM:Transformer-GuidedStochasticBlockModelforLinkPrediction》被CCF-A类会议WWW2026接收。该研究针对大规模网络链接预测中传统图神经网络和Transformer模型在长程依赖、可扩展性与可解释性方面的不足，提出了一种融合重叠随机块模型生成式优势与稀疏图Transformer表达能力的新框架。该方法通过扩展稀疏注意力机制实现近线性复杂度，利用神经变分编码器推断节点社区隶属关系，并通过基于先验的神经边解码器重构图链接，在保持预测性能的同时提升了计算效率与模型透明度。 综合评分： 85 文章分类： AI安全,其他

吉林大学人工智能学院2024级博士生杨哲健的论文被CCF-A类会议WWW接收

信息网络安全杂志

2026年2月18日 17:00 上海

人工智能学院2024级博士研究生杨哲健的论文《TGSBM: Transformer-Guided Stochastic Block Model for Link Prediction》被CCF-A类会议WWW 2026接收。WWW（The Web Conference）是互联网和万维网技术领域最具影响力的会议之一，每年吸引全球范围内的学者、研究人员、行业专家和从业者，分享和讨论最新的研究成果、技术和应用。WWW 2026 将于 2026年4月13日至4月17日于阿联酋迪拜举行。

论文题目：

TGSBM: Transformer-Guided Stochastic Block Model for Link Prediction

论文一作：杨哲健 （2024级博士）

指导教师：陈贺昌

收录期刊：WWW 2026 (CCF-A类)

收录会议：CCF-A

论文概述：

链接预测作为网络分析中的关键技术，在推荐系统、搜索引擎、知识图谱补全以及协同预测等众多应用中发挥着核心作用。然而，大规模网络所呈现出的独特特性——包括数十万乃至百万级的节点与边、随时间动态演化的异质性结构，以及重叠且非互斥的社区组织——对现有方法提出了严峻挑战。传统图神经网络（GNNs）在建模长程依赖和全局结构方面存在固有局限；而近期兴起的图Transformer虽在性能上取得显著进展，却往往伴随二次时间复杂度，难以扩展至大规模图，并且其黑箱性质削弱了对潜在社区结构的可解释性。针对上述问题，本文提出一种Transformer引导的随机块模型（Transformer-Guided Stochastic Block Model, TGSBM）。该框架有机融合了重叠随机块模型（Overlapping Stochastic Block Model, OSBM）的生成式结构优势与稀疏图Transformer的强表达能力。TGSBM由三个关键组件构成：1）一种扩展增强的稀疏注意力机制，在保留全局信息传播能力的同时，将计算复杂度降至近线性级别；2）一个神经变分编码器，用于推断每个节点在多个社区中的成员身份及其隶属强度，从而学习结构化的后验分布；3）一个基于OSBM先验的神经边解码器，通过显式的生成过程重构图中的链接，确保模型不仅具备预测能力，还保持对社区结构的可解释性。我们在多个标准基准数据集上进行了系统实验，结果表明：TGSBM在链接预测任务中展现出与当前先进方法相当甚至更优的性能，同时具备卓越的可扩展性与清晰的社区语义解释能力。综上所述，TGSBM为大规模动态网络中的链接预测提供了一种兼顾准确性、计算效率与模型透明度的实用化解决方案。

来源：吉林大学

信息网络安全

《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。

中文核心期刊

中国科技核心期刊

中国科学引文数据库来源期刊

CCF计算领域高质量科技期刊

我们在不断努力和完善中，期待您的关注和支持！

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：信息网络安全杂志 《吉林大学人工智能学院2024级博士生杨哲健的论文被CCF-A类会议WWW接收》