Improving local clustering based top-L link prediction methods via asymmetrical link clustering information
网络可以代表广泛的复杂系统，如社会，生物和技术系统。链接预测是网络分析中最重要的问题之一，近年来引起了广泛的研究兴趣。为了解决这一问题，人们提出了许多链接预测方法，并采用了各种技术。我们可以注意到，聚类信息在解决链接预测问题中起着重要的作用。在以往的文献中，我们发现节点聚集系数经常出现在许多链接预测方法中。然而，节点聚类系数不能区分节点对不同节点对的聚类能力，仅限于描述一个共同邻居在不同局部网络中的作用。在本文中，我们把我们的重点从节点到链路，并提出了非对称链路聚类（ALC）系数的概念。在此基础上，通过ALC的概念对三种基于节点聚类的链接预测方法进行了改进.实验结果表明，基于ALC的方法优于基于节点聚类的方法，特别是在食物网，仓鼠友谊和互联网网络取得了显着的改善。此外，与其他方法相比，基于ALC的方法在全球化和个性化的top-L链接预测任务中的性能非常稳定。
2017-11-22 cs.SI physics.soc-ph
Community Detection in Complex Networks using Link Prediction
社区发现和链接预测在网络分析中具有重要意义，它们从不同的角度对网络的拓扑结构提供了非常有价值的见解。针对链接预测能否提高社区划分的准确性这一问题，提出了一种新的社区发现算法，该算法引入了链接预测.对于链接预测，我们提出了两个新的索引来计算每对节点之间的相似性，其中一个旨在添加丢失的链接，另一个试图删除虚假的边缘。在基准数据集上进行了大量的实验，并将该算法的结果与两类基线进行了比较。总之，我们提出的算法是有竞争力的，揭示了链接预测确实提高了社区发现的精度。
2017-07-10 cs.SI physics.soc-ph
Link Prediction Adversarial Attack
深度神经网络在解决计算机视觉和一些图进化任务（如节点分类和链接预测）方面表现出了卓越的性能。然而，各种对抗性攻击方法生成的精心设计的对抗性示例也揭示了深度模型的脆弱性。随着深度模型在复杂网络分析中的广泛应用，本文定义并描述了链接预测对抗攻击问题，并提出了一种基于训练图自动编码器（GAE）中梯度信息的迭代梯度攻击（IGA）。据我们所知，这是第一次链接预测对抗攻击问题的定义和攻击方法提出。毫不奇怪，GAE很容易被对抗网络欺骗，在干净的网络上只有少数链接受到干扰。通过对不同的真实世界数据集进行全面的实验，我们可以得出结论，大多数基于深度模型和其他最先进的链接预测算法都无法像GAE一样逃脱对抗性攻击。一方面可以使攻击作为一种有效的隐私保护工具，避免链接预测的未知侵犯，另一方面，链接预测攻击可以作为现有链接预测算法攻击防御性的鲁棒性评价指标。
2018-10-09 cs.SI physics.soc-ph
Robustness of link prediction under network attacks
虽然网络中的链接预测多年来一直是一个热门话题，但其鲁棒性在文献中尚未得到很好的讨论。本文研究了一些主流的链路预测方法在各种网络攻击策略下的鲁棒性，包括随机攻击（RDA）、基于中心性的攻击（CA）、基于相似性的攻击（SA）和基于模拟退火的攻击（SAA）。通过对链路预测的一个典型评价指标精度的变化，我们发现对于SA和SAA，一小部分的链路删除会显著降低链路预测的性能。一般来说，SAA具有最高的攻击效率，其次是SA和CA。有趣的是，一些特定的CA策略，如基于介数的攻击（BA）的性能甚至比RDA更差。此外，我们发现，一个高性能的链接预测方法可能具有较低的攻击鲁棒性，反之亦然。
2018-11-12 cs.SI physics.soc-ph
Link Prediction in Networks with Nodes Attributes by Similarity Propagation
链接预测的问题最近已经引起了社会学、人类学、信息科学和计算机科学等各个领域的相当大的关注。提出了一种基于随机游走传播的链接预测算法。在该算法中，网络中的每一条链路被分配一个传输概率，根据由链路连接的节点上的属性的相似性。节点之间的链路相似性分数然后根据它们的传输概率经由链路传播。实验结果表明，该算法在具有节点属性的网络上可以获得比其他算法更高质量的结果。
2015-02-15 cs.SI physics.soc-ph
Link prediction with hyperbolic geometry
链路预测是网络科学中的一个典型问题，具有广泛的应用。在潜在空间网络模型中，这个问题归结为按照节点之间潜在距离的增加顺序对节点对进行排序。具有双曲潜在空间的网络模型具有许多吸引人的性质，这表明它必须是预测链接的强大工具，但过去在这个方向上的工作报告了混合的结果。在这里，我们进行系统的调查潜在的双曲几何链接预测网络中的效用。我们首先表明，一些措施的链接预测精度是非常敏感的不准确性，在推理的潜在的双曲线坐标的节点，所以我们开发了一种新的坐标推理方法，最大限度地提高这种推理的准确性。将这种方法应用于合成和真实网络，我们发现，虽然存在许多有竞争力的方法来预测明显的易于预测的链接，其中双曲线链接预测很少是最好的，但往往是有竞争力的，当任务是预测不太明显的缺失链接时，它是最好的，通常是到目前为止，真的很难预测。这些链接包括不完整网络中的缺失链接，缺失链接的比例很大，节点之间没有任何共同的邻居，以及在大潜在距离的不同节点之间的缺失链接。总的来说，这些结果表明，一个特定的链接预测任务越难，就越应该认真考虑使用双曲几何。
2020-11-02 cs.SI physics.soc-ph
Network structural perturbation against interlayer link prediction
层间链路预测的目的是在复用网络的不同层上匹配相同的实体。现有的研究试图从网络结构、属性特征及其组合等方面进行更准确、更有效或更一般性的预测。很少有人分析层内链接的影响。也就是说，很少有工作研究的骨干结构，可以有效地保持预测的准确性，同时处理较少数量的层内链接。它可用于研究哪些类型的层内链接对于正确预测最重要。是否存在任何层内链接，其存在会导致预测性能比不存在时更差，以及如何以最小的成本攻击预测算法？为此，提出了两种网络结构摄动法。对于整个网络的结构信息完全已知的情况下，我们提供了一个全局扰动策略，赋予不同类型的层内链路不同的扰动权重，然后选择一个预定比例的层内链路删除根据权重。相反，如果这些信息不能一次获得，我们设计了一个有偏随机游走过程，局部扰动策略，执行扰动。四种层间链路预测算法在不同的真实世界和人工扰动的复用网络上进行。我们发现，与小度节点连接的层内链接对预测精度的影响最大。与大度节点连接的层内链路可能对层间链路预测产生副作用。
2022-05-18 cs.SI physics.soc-ph
Link Prediction in Complex Networks: A Mutual Information Perspective
近年来，网络的拓扑性质被广泛应用于链路预测问题的研究。例如，共同邻居是一个自然而有效的框架。因此，已经提出了许多变体的共同邻居，以进一步提高候选链接的判别分辨率。本文从信息论的角度重新审视了网络拓扑在预测丢失链路中的作用，并提出了一种基于网络结构互信息的实用方法。该方法不仅可以大幅度提高预测精度，而且计算复杂度也比较合理.
2014-09-17 cs.SI physics.soc-ph
Playing the role of weak clique property in link prediction: A friend recommendation model
研究链路预测的一个重要事实是，网络的结构特性对算法的性能有很大的影响。因此，如何利用网络的结构特性来提高链路预测的性能是一个重要的问题。通过对许多实际网络的分析，我们发现了一个共同的结构性质：节点优先链接到具有弱团结构的节点（简称PWCS）。基于这种PWCS现象，我们提出了一个本地的朋友推荐（FR）指数，以促进链接预测。实验结果表明，FR索引的性能普遍优于常见的局部相似性索引，如公共邻居（CN）索引、Adamic-Adar（AA）索引和资源分配（RA）索引。然后，我们解释了为什么PWCS可以引起更好的性能的FR指数在链接预测。最后，利用PWCS现象提出了一种混合的朋友推荐指数（标记MFR），进一步提高了链接预测的准确性。
2016-01-20 cs.SI physics.soc-ph
Leveraging Friendship Networks for Dynamic Link Prediction in Social Interaction Networks
在线社交网络（OSN）通常包含用户之间的许多不同类型的关系。在研究Facebook等OSN的结构时，最常被研究的两个网络是友谊网络和互动网络。友情网络中的链接预测问题已经得到了大量的研究。先前也有关于独立于友谊网络的交互网络中的链接预测的工作。在本文中，我们研究了结合友谊和互动网络的预测能力。我们假设，通过利用友谊网络，我们可以提高互动网络中链接预测的准确性。我们增加了几个互动链接预测算法，将友谊和预测的友谊。从Facebook数据的实验中，我们发现，将友谊的互动链接预测算法的结果在更高的准确性，但结合预测的友谊没有相比，结合当前的友谊。
2018-04-23 cs.SI physics.soc-ph
Multiplex Graph Association Rules for Link Prediction
多重网络使我们能够研究各种复杂的系统，其中节点以多种方式相互连接，例如社交网络中的朋友，家人和同事关系。链接预测是网络分析的一个分支，它允许我们预测网络的未来状态：哪些新的连接最有可能在未来出现？在多路复用链接预测中，我们还问：哪种类型的？因为这最后一个问题是无法回答与经典的链接预测，在这里，我们研究使用图关联规则通知多路链接预测。我们通过多重图挖掘识别网络中的所有频繁模式来获得这些规则，然后通过找到原始网络中每个规则的出现次数来对每个未观察到的链接的可能性进行评分。关联规则为多路链接预测增加了新的能力：预测新的节点到达，考虑具有四个或更多节点的高阶结构，以及内存效率。在我们的实验中，我们表明，利用图关联规则，我们能够实现接近理想的集成分类器的预测性能。此外，我们进行了一个案例研究，签署的多重网络，显示图关联规则可以提供有价值的见解，以扩展社会平衡理论。
2020-08-19 cs.SI physics.soc-ph
Overlapping Communities and the Prediction of Missing Links in Multiplex Networks
多路复用网络是将现实世界的复杂系统表示为通过不同类型的连接（即层）连接的一组实体（即节点）。这些网络中观察到的连接可能并不完整，链接预测任务是跨层定位丢失的链接。在这里，主要的挑战是从不同的层收集相关的证据，以帮助链接预测任务。众所周知，社区中的共同成员资格增加了节点之间连接的可能性。我们讨论的共同成员在社区的相似层增加了连接的机会。如果这些层显示出显著的层间群落重叠，则它们被认为是相似的。此外，我们发现，虽然链接的存在是相关的层，但这种相关性的程度是不一样的不同社区。我们建议，ML-BNMTF，作为一种链路预测方法在复用网络中，设计基于这些发现。ML-BNMTF优于基线方法，特别是当全球链路重叠低。
2020-05-15 cs.SI physics.soc-ph
Collective Link Prediction Oriented Network Embedding with Hierarchical Graph Attention
为了享受更多的社交网络服务，现在的用户通常同时参与多个在线网站。结盟的社交网络提供了更多的信息，以缓解数据不足的问题。在本文中，我们的目标是集体链接预测问题，旨在预测网络内的社会链接，以及跨多个对齐的社交网络的网络间的锚链接。这不是一件容易的事情，主要的挑战涉及网络特性差异问题以及要预测的社交链接和锚链接的不同方向性。为了解决这个问题，我们提出了一个面向应用的网络嵌入框架，层次图注意力为基础的网络嵌入（HGANE），集体链接预测定向对齐网络。与传统的一般网络嵌入模型不同，HGANE有效地将集体链接预测任务目标纳入考虑。它通过聚合来自网络内邻居（通过社交链接连接）和网络间合作伙伴（通过锚链接连接）的信息来学习节点的表示。此外，我们还分别为网络内邻居和网络间伙伴引入了层次图注意力机制，有效地解决了网络特性差异和链路方向性的挑战。在现实世界的对齐网络数据集上进行了大量的实验，以证明我们的模型在解决集体链接预测问题方面优于最先进的基线方法。
2019-10-13 cs.SI physics.soc-ph
Implicit degree bias in the link prediction task
本研究揭示链接预测任务中边采样对高度数节点的隐式偏差，提出度校正基准以提供更合理评估，并证明其能更有效训练图模型。
2024-05-29 cs.SI physics.soc-ph
Link Prediction and the Role of Stronger Ties in Networks of Face-to-Face Proximity
了解链接形成的原因是一个重要而突出的研究课题。因此，在本文中，我们考虑的链接预测问题，在面对面的接触网络，并分析了新的和经常性的链接的可预测性。此外，我们还研究了其他的影响因素，以及在这些网络中更强的联系的作用。具体来说，我们比较了基于邻域和基于路径的网络邻近度测量在基于阈值的分析捕捉时间动态。分析的结果和见解是人类联系网络可预测性应用的第一步，例如，用于改进推荐。
2014-07-08 cs.SI physics.soc-ph
Improving personalized link prediction by hybrid diffusion
受传统链接预测的启发，为了解决社交网络中的好友推荐问题，本文提出了个性化链接预测方法，每个人都能得到相同数量的多样化预测。然而，在这种框架下，许多经典算法的性能并不令人满意，因此迫切需要新的算法。在其他领域已有研究的基础上，将热传导过程推广到个性化链接预测框架中，发现该方法优于许多经典的基于相似性的算法，尤其是在多样性方面。此外，我们证明，增加一个接地节点谁应该连接在系统中的所有节点将大大有利于热传导的性能。最后，提出了局部随机游走和热传导相结合的混合算法。数值实验结果表明，混合算法在AUC、查准率、查全率和汉明距离四个指标上都优于其他算法。总之，本文的工作对于深入理解物理过程在个性化链接预测中的作用有一定的启示。
2015-12-17 cs.SI physics.soc-ph
Entropy-based link prediction in weighted networks
信息熵已被证明是量化复杂网络结构重要性的有效工具。在之前的工作中（Xu et al，2016 \cite{xu2016}），我们用信息熵来衡量路径在链接预测中的贡献。本文进一步用路径熵和路径权重来量化路径的贡献，并提出一种基于路径贡献的加权预测指标--加权路径熵（WPE），以提高加权网络的预测精度。在六个加权真实网络上的实验表明，WPE比三个典型的加权指数具有更高的预测精度。
2016-07-20 cs.SI physics.soc-ph
Inconsistency of evaluation metrics in link prediction
本文通过大量实验发现链路预测中不同评估指标会导致算法排名显著不一致，提出应至少同时使用AUC和AUPR、AUC-Precision或NDCG中的一个指标进行评估，为建立统一的链路预测评估标准提供了依据。
2024-02-24 cs.SI physics.soc-ph
Negative Link Prediction in Social Media
近年来，符号网络分析引起了越来越多的关注。这部分是因为对有符号网络分析的研究表明，负面链接在分析过程中具有附加值。有效使用这些工具的一个主要障碍是，大多数社交媒体网站无法让用户明确指定这些工具。换句话说，在负关联的重要性与其在真实数据集中的可用性之间存在差距。因此，探索是否可以从通常可用的社交网络数据中自动预测负面链接是很自然的。在本文中，我们研究了新的问题，只有积极的联系和内容为中心的互动在社会媒体的负链接预测。我们提出了一些重要的观察负链接，并提出了一个原则性的框架NeLP，它可以利用积极的链接和内容为中心的互动来预测负链接。我们在真实世界的社交网络上的实验结果表明，所提出的NeLP框架可以准确地预测负链接与正链接和以内容为中心的互动。我们详细的实验还说明了各种因素的相对重要性，所提出的框架的有效性。
2014-12-08 cs.SI physics.soc-ph
Performance of Local Information Based Link Prediction: A Sampling Perspective
链接预测被广泛用于发现真实网络快照中的缺失链接，这些快照通常是通过各种采样方法获得的。然而，在以往的文献中，为了评估预测的性能，将采样快照中的已知边缘随机分为训练集和探测集，而没有考虑其他不同的采样方法。然而，不同的抽样方法可能会导致不同的缺失环节，特别是对于有偏见的。由于这个原因，如果我们考虑到抽样方法，基于随机划分的性能评估不再令人信服。因此，在本文中，旨在填补这一空白，我们试图重新评估的本地信息为基础的链接预测的性能，通过抽样方法控制的训练集和探测集的划分。有趣的是，我们发现对于不同的采样方法，每种预测方法的表现并不均匀。此外，当抽样方法有偏差时，大多数这些预测的表现都很弱，这表明这些方法的性能在以前的工作中被高估了。
2011-07-08 cs.SI physics.soc-ph
Jointly Predicting Links and Inferring Attributes using a Social-Attribute Network (SAN)
社会影响和同质性的影响表明，网络结构和节点属性信息都应该通知链接预测和节点属性推理的任务。最近，Yin等人提出了一种属性增强的社会网络，即社会属性网络（SAN），它将网络结构和节点属性相结合，以执行链接预测和属性推理。他们专注于将带重启的随机游走算法推广到SAN框架，并展示了改进的性能。在本文中，我们扩展了SAN框架与几个领先的监督和无监督的链接预测算法，并证明了性能的改善，每个算法的链接预测和属性推理。此外，我们提出了新的观察，即属性推断可以帮助通知链接预测，即，通过首先推断丢失的属性，进一步提高了链接预测的准确性。我们全面评估这些算法，并使用一个新的，大规模的Google+数据集，我们公开提供与其他现有的算法进行比较。
2012-06-22 cs.SI physics.soc-ph
SSNE: Effective Node Representation for Link Prediction in Sparse Networks
图嵌入在复杂网络中的链接预测中越来越受欢迎，并取得了优异的性能。然而，有限的工作已经做了稀疏网络，代表了大多数真正的网络。在本文中，我们提出了一个模型，稀疏结构网络嵌入（SSNE），以获得节点表示的链接预测稀疏网络。SSNE首先将邻接矩阵转换为归一化$H$阶邻接矩阵之和（SNHAM），然后通过神经网络模型将SNHAM矩阵映射为用于节点表示的$d$维特征矩阵。证明了映射运算是奇异值分解的等价变形。最后，我们计算节点相似度的链接预测基于这样的特征矩阵。通过在合成稀疏网络和真实稀疏网络上的测试实验，与结构相似性指数、矩阵优化和其他图嵌入模型相比，该方法具有更好的链接预测性能。
2021-04-21 cs.SI physics.soc-ph
Handling oversampling in dynamic networks using link prediction
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
过采样是表示动态网络的数据的常见特征。过采样会影响动态网络中许多重要算法问题的质量，包括链接预测。链接预测试图预测在给定先前快照的情况下将被添加到网络的边。我们表明，不仅过采样的影响质量的链接预测，但我们可以使用链接预测恢复过采样的影响。我们还介绍了一种新的生成模型的噪声在动态网络，代表过采样。我们展示了我们的方法在合成和真实世界的数据的结果。
2015-08-11 cs.LG cs.SI physics.soc-ph
Bounded link prediction for very large networks
在大型复杂网络中，链路预测方法的评估是一项艰巨的任务，因为计算成本过高。通过设置一个下界的共同邻居（CN）的数量，我们提出了一个新的框架，以有效地和精确地评估性能的CN为基础的相似性指数在非常大的异构网络的链接预测。具体来说，我们提出了一个快速算法的基础上的并行计算方案，以获得所有的CN值大于下界的节点对。此外，我们提出了一个新的测量，称为自我可预测性，量化的性能的CN为基础的相似性指标的链接预测，这在另一方面可以表明链接的可预测性的网络。
2015-06-22 cs.SI physics.data-an physics.soc-ph
Link Prediction in Complex Networks: A Survey
复杂网络中的链路预测问题越来越受到物理学界和计算机科学界的关注。本文综述了链路预测算法的最新进展，重点介绍了基于随机游走的方法和极大似然方法等物理方法对链路预测算法的贡献。介绍了三个典型的应用：网络重构、网络演化机制评价和部分标号网络分类。最后，我们介绍了一些应用程序，并概述了未来的挑战，链接预测算法。
2010-10-04 cs.SI physics.comp-ph physics.soc-ph
Effective Model Integration Algorithm for Improving Link and Sign Prediction in Complex Networks
复杂网络中的链接和符号预测为决策和推荐系统带来了很大的帮助，例如预测潜在的关系或相对状态级别。许多先前的研究集中在设计特殊的算法来执行链接预测或符号预测。在这项工作中，我们提出了一个有效的模型集成算法，包括网络嵌入，网络特征工程，和一个集成的分类器，它可以在同一个框架中执行的链接和符号预测。网络嵌入能够准确地表示拓扑结构的特征，配合强大的网络特征工程和集成分类器可以实现更好的预测。在多个数据集上的实验表明，尽管该模型具有通用性，但它在链接和符号预测方面都能达到最先进或有竞争力的性能。有趣的是，我们发现仅使用非常低的网络嵌入维数可以产生高的预测性能，这可以显着降低训练和预测过程中的计算开销。该研究为复杂网络中的多任务预测提供了一种强有力的方法。
2021-08-03 cs.IR cs.SI physics.soc-ph
Accuracy Test for Link Prediction in terms of Similarity Index: The Case of WS and BA Models
链路预测是一种利用给定网络的拓扑信息来推断网络中缺失链路的技术，以往的链路预测研究主要集中在提高给定经验系统的性能上，而对网络模型的链路预测研究较少。因此，在本文中，我们将链接预测应用于两个网络模型：Watts-Strogatz（WS）模型和Barabási-Albert（BA）模型。我们试图通过网络模型更好地理解准确性与每个网络参数（平均度，节点数和重新布线概率WS模型）之间的关系。使用六个相似性指标，精度和ROC曲线下面积（AUC）值作为准确性度量。我们观察到平均程度和准确性之间的正相关性，以及AUC值的大小独立性。
2015-03-10 cs.SI physics.data-an physics.soc-ph
Evaluating Link Prediction Accuracy on Dynamic Networks with Added and Removed Edges
University of Toledo（托莱多大学）
在社交网络中预测未来关系的任务，称为链接预测，已经在文献中被广泛研究。已经提出了许多链接预测方法，范围从公共邻居到概率模型。Yang等人最近的工作强调了评估链接预测准确性的几个挑战。在边随时间增加和移除的动态网络中，链接预测问题更加复杂，并且涉及预测新增加的边和新移除的边。这导致了对动态链接预测方法的评估的新挑战，并且Yang等人提供的建议不再适用，因为它们没有解决边缘去除。在本文中，我们调查了目前用于评估动态链接预测方法的准确性的几个指标，并证明了为什么他们可以在许多情况下误导。我们提供了几个建议，评估动态链接预测的准确性，包括分为两类评估。最后，我们提出了一个统一的度量标准，有效地使用一个单一的数字来表征链接预测的准确性。
2016-07-25 cs.LG cs.SI physics.soc-ph
IGA-LWP: An Iterative Gradient-based Adversarial Attack for Link Weight Prediction
School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；School of Communication Engineering, Hangzhou Dianzi University（杭州电子科技大学通信工程学院）；School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院）
IGA-LWP通过迭代梯度攻击方法，对链权重预测模型进行对抗性扰动，显著降低目标链的预测准确性，并展示出强可迁移性。
2026-01-07 cs.SI
Predicting missing links and their weights via reliable-route-based method
链接预测的目的是根据当前网络结构发现缺失的链接或预测未来关系的出现。对于非加权网络中的链接预测，人们已经提出了很多算法，但只有很少的算法被推广到加权网络中。到目前为止，如何预测链接的权重很重要，但很少研究。在这封信中，我们提出了一个可靠的路由为基础的方法来扩展未加权的局部相似性指数加权指数，并提出了一种方法来预测链接的存在和链接的权重。在不同真实网络上的实验表明，加权资源分配指标具有最好的链路存在性预测性能，而基于可靠路由的加权资源分配指标在权重预测上表现明显更好。进一步的分析表明，链接预测和权重预测都具有很强的相关性：聚类系数越大，预测精度越高。
2014-08-05 cs.IR cs.SI physics.soc-ph
Link prediction based on path entropy
信息论是一种很有前途的量化复杂网络复杂性的工具。本文首先用信息论的方法研究了路径的信息熵或不确定性。然后，我们将路径熵应用于现实网络中的链接预测问题。具体来说，我们提出了一个新的相似性指数，即路径熵（PE）指数，它考虑了节点对之间的最短路径的信息熵与惩罚长路径。实证实验表明，PE指数优于主流的链接预测。
2015-12-20 cs.SI physics.data-an physics.soc-ph
NodeSim: Node Similarity based Network Embedding for Diverse Link Prediction
在现实世界的复杂网络中，了解其演化的动力学一直是科学界的极大兴趣。预测未来的链接是社会网络分析的一项重要任务，因为随着时间的推移，链接的添加或删除会导致网络的演变。在网络中，如果链路的两个端节点属于同一个社区，则链路可以被分类为社区内链路，否则为社区间链路。现有的链接预测方法主要集中在实现社区内链接预测的高精度。在这项工作中，我们提出了一个网络嵌入的方法，称为NodeSim，它捕捉节点和社区结构之间的相似性，同时学习网络的低维表示。嵌入是使用建议的NodeSim随机游走学习的，它有效地探索了不同的邻域，同时在节点的上下文中保持更接近的相似节点。我们使用不同的链接预测验证了所提出的嵌入方法的有效性。我们提出了一个机器学习模型的链接预测，同时考虑节点的嵌入和他们的社区信息来预测两个给定的节点之间的链接。在几个真实网络上的大量实验结果表明，所提出的框架对社区间和社区内链接预测都是有效的。
2021-02-01 cs.SI
Formational bounds of link prediction in collaboration networks
协作网络中的链接预测通常通过识别在某个时间点断开连接的现有节点的结构属性来解决，并且该方法成功的最大可能召回率或上限由嵌入这些属性的现有节点之间形成的链接的比例来限制。因此，持续的关系以及涉及一个或两个新网络参与者的链接通常不会被预测。本研究的目的是突出需要考虑的形式约束，以增加协作网络的链接预测方法的实用价值。在这项研究中，我们确定了基本的链接形成类型的分布的基础上，四个大规模的，随着时间的推移合作网络，显示当前的链接预测可以最大限度地预测约25%的链接，涉及至少一个先前的网络成员。这意味着，对于协作网络，当符合经典链接预测过程的协作关系的比率低时，增加计算链接预测解决方案的准确性可能不是合理的目标。
2021-02-05 cs.SI
A Survey of Link Prediction Algorithms
本文综述并评估了局部相似性、随机游走重启和Node2Vec三类链接预测算法在小规模多领域图上的性能。
2023-06-14 cs.SI
Common neighbours and the local-community-paradigm for link prediction in bipartite networks
二分网络是对复杂系统的有力描述，其特征在于两个不同类别的节点和连接只允许跨越而不允许在两个类别内。令人惊讶的是，目前的复杂网络理论提出了一个理论瓶颈：一个通用的框架，直接在二分域基于局部的链接预测是失踪。在这里，我们克服了这一理论障碍，并提出了一个正式的定义，共同的邻居指数（CN）和本地社区范例（LCP）的二分网络。因此，我们能够引入第一个基于节点邻域和基于LCP的模型，利用二分域的拓扑链接预测。我们在几个不同规模和不同来源的网络中进行了链接预测评估，包括技术，社会和生物系统。我们的模型显着提高了许多二分网络的拓扑预测，因为它们利用本地的物理驱动力，参与许多现实世界的二分网络的形成和组织。此外，我们提出了一个基于本地的形式主义，允许直观地实现基于邻域的链接预测完全在二分域。
2015-12-12 cs.SI nlin.AO physics.soc-ph
Hidden space reconstruction inspires link prediction in complex networks
链接预测是众多学科中的一个基本挑战，其目的是根据不完全的观测信息识别网络中的潜在链接，具有广泛的应用，从发现缺失的蛋白质-蛋白质相互作用到预测网络的演化。其中最有影响力的方法依赖于相似性指数的共同邻居或其变化的特点。我们构造了一个隐藏空间映射到欧氏空间的网络连接结构的基础上，完全网络。与节点的真实地理位置相比，我们重建的位置与真实位置是一致的。我们的隐藏空间中的节点之间的距离可以作为一种新的相似性度量在链接预测。此外，我们混合我们的隐藏空间方法与其他国家的最先进的相似性方法，大大优于现有的方法的预测精度。因此，我们的隐藏空间重建模型提供了一个新的角度来理解网络结构，特别是投下了新的光链接预测。
2017-03-25 cs.SI physics.data-an physics.soc-ph
Link-Backdoor: Backdoor Attack on Link Prediction via Node Injection
Zhejiang University of Technology（浙江工业大学）
链接预测是对图中未发现的或潜在的链接进行预测的一种方法，在现实世界中有着广泛的应用。通过促进图的标记链接作为训练数据，已经研究了许多基于深度学习的链接预测方法，与非深度方法相比，这些方法具有主导的预测精度。然而，恶意制作的训练图的威胁会在深度模型中留下特定的后门，因此当一些特定的示例被输入模型时，它会做出错误的预测，定义为后门攻击。这是一个重要的方面，已被忽视，在目前的文献。本文提出了链接预测后门攻击的概念，并提出了Link-Backdoor算法，以揭示现有链接预测方法的训练漏洞。具体地，链路后门将伪节点与目标链路的节点组合以形成触发器。此外，它优化的触发器从目标模型的梯度信息。因此，在后门数据集上训练的链接预测模型将预测具有目标状态的触发的链接。在五个基准数据集和五个性能良好的链接预测模型上进行的大量实验表明，链接后门在白盒（即，目标模型参数的可用性）和黑盒（即，目标模型参数不可用）场景。此外，我们还对防御环境下的攻击进行了验证，结果表明，在性能良好的链接预测方法上，链接后门仍然可以构造成功的攻击。代码和数据可在https://github.com/Seaocn/Link-Backdoor上获得。
2022-08-14 cs.AI cs.SI
wsGAT: Weighted and Signed Graph Attention Networks for Link Prediction
unict（恩纳波利卡大学（UNICT））
图神经网络（GNN）已被广泛用于学习图上的表示并解决来自广泛领域的许多现实问题。在本文中，我们提出了wsGAT，这是图注意力网络（GAT）层的扩展，旨在解决缺乏可以处理具有签名和加权链接的图的GNN的问题，这些链接在信任和相关网络中无处不在。我们首先评估我们的建议的性能进行比较，对GCNII在加权链接预测任务，对SGCN在链接符号预测任务。之后，我们将这两个任务结合起来，并展示了它们在预测链接的符号权重及其存在性方面的表现。我们在真实网络上的结果表明，具有wsGAT层的模型优于具有GCNII和SGCN层的模型，并且在预测有符号权重时，性能没有损失。
2021-09-21 cs.LG cs.SI physics.soc-ph
EvalNE: A Framework for Evaluating Network Embeddings on Link Prediction
在本文中，我们提出了EvalNE，一个Python工具箱，用于评估链接预测任务的网络嵌入方法。链接预测是评价网络嵌入质量的最常用方法之一。然而，这项任务的复杂性需要一个精心设计的评估管道，以提供一致的，可重复的和可比的结果。EvalNE通过提供超参数调整和模型验证、边缘采样和负边缘采样、从节点嵌入计算边缘嵌入以及评估指标等任务的自动化和抽象来简化此过程。该工具箱允许评估任何现成的嵌入方法，而无需编写额外的代码。此外，它还可以用于评估任何其他链接预测方法，并集成了几个链接预测算法作为基线。
2019-01-22 cs.SI
Missing Links in Public Email and Covert Networks: A Comparative Evaluation of Link Prediction, Hyperlink Prediction, and ERGM Estimation
School of Professional Studies, Northwestern University（西北大学专业研究学院）
本文通过比较链接预测、超链接预测和ERGM估计方法，探讨了在部分观测网络中缺失链接推断的问题，揭示了不同方法在二元恢复和高阶群体结构推断中的表现。
2026-06-04 cs.SI
Link prediction in multiplex networks via triadic closure
ISI Foundation（ISI基金会）；Institute for Biocomputation and Physics of Complex Systems (BIFI), University of Zaragoza（萨拉戈萨大学生物计算与复杂系统物理研究所（BIFI））；University of Zaragoza（萨拉戈萨大学）
链接预测算法可以帮助理解复杂系统的结构和动力学，从不完整的数据集重建网络，并预测未来的相互作用，在不断发展的网络。基于节点之间相似性的可用算法受到这些网络中存在的有限数量的链接的限制。在这项工作中，我们减少了后者的内在限制，并表明可以利用不同类型的关系数据来提高新链接的预测。为此，我们提出了一种新的链接预测算法，通过推广的Adamic-Adar方法组成的多路复用网络的任意数量的层，编码不同形式的相互作用。我们表明，新的度量优于经典的单层Adamic-Adar评分和其他国家的最先进的方法，在几个社会，生物和技术系统。作为副产品，最大化复用Adamic-Adar度量的系数指示复用网络中结构化的信息如何针对链接预测任务进行优化，从而揭示哪些层是冗余的。有趣的是，这种效应对于不同层的预测可能是不对称的。我们的工作铺平了道路，为更深入地了解不同的关系数据在预测新的相互作用的作用，并提供了一个新的算法，链接预测在多路复用网络，可应用于大量的系统。
2020-11-16 cs.LG cs.SI physics.soc-ph
Line Graph Neural Networks for Link Weight Prediction
本文提出LGLWP模型，通过封闭子图提取、加权图标记、线图转换与图卷积学习链路嵌入，以回归方式直接预测链路权重，并在六个网络数据集上优于现有方法。
2024-10-28 cs.SI
Link Prediction with Node Clustering Coefficient
如何有效、准确地预测不完备复杂网络中的缺失链仍然是一个具有挑战性的问题。最近提出的CAR（Cannistrai-Alanis-Ravai）索引显示了本地链接/三角形信息在提高链接预测精度方面的作用。利用第二级链接（即公共邻居之间的链接）的信息，可以改进大多数经典的相似性指标。然而，计算2级链接的数量使得CAR索引不够有效。受利用局部连接/三角形信息的思想的启发，我们提出了一种新的具有更多局部结构信息的相似性指数。在我们的方法中，局部链接/三角形结构信息可以直接通过公共邻居的聚类系数来传达。聚类系数在估计共同邻居贡献方面具有良好效果的原因是它利用了共同邻居的邻居之间存在的链接，并且这些链接与该共同邻居的候选链接具有相同的结构位置。来自五个不同领域的十个真实世界的网络被用来测试我们的方法对经典的相似性指标和最近提出的CAR指标的性能。两个估计：精度和AUP，用于评估链接预测算法的准确性。一般来说，我们的新指标只能与CAR竞争，但它是一个很好的补充，CAR的网络与不太高的LCP-corr，这是一个措施，以估计之间的相关性的数量的共同邻居和共同邻居之间的链接数。此外，该指数也比CAR指数更有效。
2016-01-16 cs.SI physics.soc-ph stat.AP
Review on Learning and Extracting Graph Features for Link Prediction
复杂网络中的链接预测由于其在生物网络、社交网络、交通网络、电信网络以及最近的知识图谱中的广泛应用而引起了跨学科研究界的极大关注。许多研究利用链接预测方法，以stto找到丢失的链接或预测未来链接的可能性，以及用于重建网络，推荐系统，隐私控制等。这项工作提出了一个广泛的审查国家的最先进的方法和算法提出了这个问题，并将它们分为四个主要类别：基于相似性的方法、概率方法、关系模型和基于学习的方法。此外，本文还提供了一组网络数据集，可用于研究链接预测。最后，我们讨论了最近的发展和未来的研究方向。
2020-12-20 cs.SI
A Mechanistic Study on the Impact of Entity Degree Distribution in Open-World Link Prediction
本文通过实验研究知识图谱实体度分布对开放世界链接预测的影响，揭示其与准确率的正相关及经由嵌入空间和权重更新作用的内在机制。
2025-03-15 cs.SI
Link Prediction with Social Vector Clocks
最先进的链接预测利用从网络面板数据导出的复杂特征的组合。我们在这里表明，计算成本较低的功能可以实现相同的性能，在常见的情况下，数据是作为一个序列的相互作用。我们的功能是基于社会矢量时钟，适应矢量时钟的概念引入分布式计算社会互动网络。事实上，我们的实验表明，通过考虑交互的顺序和间隔，社会向量时钟利用了链接形成的不同方面，因此它们与以前的方法相结合，产生了迄今为止最准确的预测。
2013-04-15 cs.SI physics.soc-ph stat.ML
SimBins: An information-theoretic approach to link prediction in real multiplex networks
现实世界网络的实体通过不同类型的连接（即层）连接。多路复用网络中的链路预测的任务是基于层内和层间相关性来找到丢失的连接。我们的观察证实，在广泛的现实世界的多重网络，从社会到生物和技术，一个层的连接概率和其他层的相似性之间存在正相关。因此，设计了一种基于相似性的自动通用复用链路预测方法- SimBins -，该方法基于复用网络中观察到的层间相关性来量化连接不确定性的量。此外，SimBins通过合并跨层链路重叠的影响来增强目标层的预测质量。应用于不同领域的各种数据集，SimBins被证明是强大的，优于比较方法在大多数实验情况下，在链接预测的准确性。此外，讨论了SimBins对基本相似性度量施加较小的计算开销，使其成为一种潜在的快速方法，适用于大规模复用网络。
2020-12-04 cs.SI physics.data-an physics.soc-ph
Improving link prediction accuracy of network embedding algorithms via rich node attribute information
针对现有基于网络嵌入的链接预测算法未充分利用节点属性信息的问题，提出属性图增强嵌入算法AGEE，通过构建属性网络接入典型算法并自动学习结构与属性网络的权重权衡，可将链接预测准确率较现有基准提升约3%。
2024-03-07 cs.SI
Inherent Limits on Topology-Based Link Prediction
本文指出图的自同构等属性导致链接预测存在内在限制，计算了仅基于图拓扑的预测上界，发现稀疏图的上界极低，证明此类预测系统必须依赖拓扑之外的额外信息。
2023-06-26 cs.SI
Link Prediction via Graph Attention Network
Beijing Normal University（北京师范大学）
链接预测是根据当前观测到的部分网络来推断缺失的链接或预测未来的链接，是网络科学中的一个基本问题，有着广泛的应用前景。然而，传统的链接预测方法既不具有高的预测精度，也不能揭示隐藏在链接后面的信息。为了解决这个问题，我们将深度学习的最新技术推广到图上，并提出了一种新的链接预测模型- DeepLinker。DeepLinker不是使用节点标签信息来学习节点表示，而是使用链接作为监督信息。在五个图上的实验表明，DeepLinker不仅能够达到最先进的链接预测精度，而且还可以获得高效的节点表示和节点中心度排名。虽然表示是在没有任何监督节点标签信息的情况下获得的，但它们在节点排名和节点分类任务上仍然表现良好。
2019-10-29 cs.LG cs.SI
Link Prediction and Unlink Prediction on Dynamic Networks
动态网络上的链接预测已经得到了广泛的研究和应用。然而，在社交网络演化过程中同样起着重要作用的时间解链预测却没有得到足够的重视。准确预测未来网络中的链接和非链接，有助于网络分析揭示节点之间更多的潜在关系。在这项工作中，我们假设有两种节点之间的关系，即长期关系和短期关系，我们提出了一个有效的算法称为LULS的时间链接预测和非链接预测基于这种关系。具体来说，对于动态网络的每个快照，LULS首先通过应用短随机游走收集高阶结构作为两个拓扑矩阵。然后，LULS基于这些拓扑矩阵，利用非负矩阵分解（NMF）对全局矩阵和临时矩阵序列进行优化，其中全局矩阵表示快照的长期关系，临时矩阵表示快照的短期关系.最后，LULS计算未来快照的相似性矩阵，并预测未来网络的链接和取消链接。此外，我们还利用图正则化约束对全局矩阵进行增强，使全局矩阵包含了丰富的拓扑信息和时态信息，从而进一步改善了预测结果。在真实网络上进行的实验表明，LULS优于其他基线的链接预测和非链接预测任务。
2021-12-16 cs.SI
Semi-supervised Graph Embedding Approach to Dynamic Link Prediction
The University of Tokyo（东京大学）
我们提出了一个简单的离散时间半监督图嵌入方法，在动态网络中的链接预测。学习的嵌入反映了来自时间和横截面网络结构的信息，这是通过将损失函数定义为来自过去动态的监督损失和预测当前网络中的邻域上下文的无监督损失的加权和来执行的。我们的模型也能够学习不同的嵌入形成和溶解动力学。这些关键方面有助于我们的模型的预测性能，我们提供了三个真实世界的动态网络的实验表明，我们的方法是可比的最先进的方法在链接形成预测和优于最先进的基线方法在链接解散预测。
2016-10-14 cs.LG cs.SI physics.soc-ph
Link Prediction with Contextualized Self-Supervision
Monash University（莫纳什大学）；The University of Sydney（悉尼大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
链接预测旨在推断网络/图中节点对之间的链接存在。尽管传统的链接预测算法有着广泛的应用，但在现实网络中，链接稀疏性、节点属性噪声和动态变化等三大挑战阻碍了它们的成功。为了解决这些挑战，我们提出了一个上下文自监督学习（CSSL）框架，充分利用结构上下文预测链接预测。建议的CSSL框架学习一个链接编码器来推断链接存在概率从成对的节点嵌入，这是通过对节点属性的变换构造。为了生成用于链接预测的信息节点嵌入，利用结构上下文预测作为自监督学习任务来提高链接预测性能。研究了两种类型的结构背景，即，从随机游走收集的上下文节点与上下文子图。CSSL框架可以以端到端的方式训练，其中模型参数的学习由链接预测和自监督学习任务两者监督。建议CSSL是一个通用的和灵活的框架，在这个意义上，它可以处理属性和非属性的网络，并在两个转导和感应链接预测设置下运行。在七个真实世界的基准网络上进行的广泛的实验和消融研究表明，所提出的基于自我监督的链接预测算法在不同类型的网络上的性能优于最先进的基线，在传导和感应设置下。建议的CSSL也产生竞争力的性能，其鲁棒性节点属性噪声和可扩展性在大规模网络。
2022-09-07 cs.AI cs.SI
Fast Multiplex Graph Association Rules for Link Prediction
多重网络使我们能够研究各种复杂的系统，其中节点以多种方式相互连接，例如社交网络中的朋友，家人和同事关系。链接预测是网络分析的一个分支，它允许我们预测网络的未来状态：哪些新的连接最有可能在未来出现？在多路复用链接预测中，我们还问：哪种类型的？因为这最后一个问题是无法回答与经典的链接预测，在这里，我们研究使用图关联规则通知多路链接预测。我们通过多重图挖掘识别网络中的所有频繁模式来获得这些规则，然后通过找到原始网络中每个规则的出现次数来对每个未观察到的链接的可能性进行评分。关联规则为多路链接预测增加了新的能力：预测新的节点到达，考虑具有四个或更多节点的高阶结构，以及内存效率。我们通过创建一个在运行时间方面也很高效的框架来改进以前的工作，从而提高预测性能。这种效率的提高使我们能够改进一个有符号的多重网络的案例研究，展示图关联规则如何为扩展社会平衡理论提供有价值的见解。
2022-11-22 cs.SI
