グラフニューラルネットワーク（GNN）は、リンク予測の分野で主流となる技術として急速に成長しています。リンク予測とは、グラフ構造内で欠落している接続を推測し、将来の潜在的な関係を予測するタスクです。このプロセスは、知識グラフの補完やレコメンデーションシステムの改善など、実世界の多くのアプリケーションで重要な役割を果たしています。 本調査論文は、GNNベースのリンク予測について、これまでにない専門的かつ体系的なレビューを提供することを目的としています。既存のレビューの多くは、基礎となるGNNアーキテクチャと多様なグラフ構造の探索が不十分であるという課題を指摘しており、この論文がその隙間を埋める形となっています。著者らは技術と応用の両面から最近の進展を分類する革新的な分類体系を提案しています。 技術的な観点からは、GCNベース、GAEベース、GATベース、GFormerベースなど、主要なGNNエンコーダアーキテクチャに焦点を当て、それぞれの強みと限界を議論しています。一方、応用の観点からは、知識グラフやレコメンデーションシステムにおけるリンク予測の実用的な使用例を強調し、これらの技術が実世界にもたらす影響を示しています。さらに論文では、現在の課題を整理するとともに、今後の有望な研究方向性についても言及しており、この分野の研究者にとって重要な参考資料となります。