Target Defense Against Link-Prediction-Based Attacks via Evolutionary Perturbations
在社交网络中，通过删除一些目标敏感链接，可以实现隐私保护。然而，在可观测网络上，通过链接预测方法仍然可以重新观测到一些隐藏链接。本文采用传统的链接预测方法资源分配指数（RA）进行隐私攻击。提出了几种防御方法，包括启发式和进化的方法，以保护目标链路从RA攻击通过进化扰动。这是第一次研究针对链接预测攻击的隐私保护。从网络中随机选择一些链接作为实验的目标链接。在六个真实网络上的仿真结果表明了进化扰动方法在目标防御RA攻击中的优越性。此外，传输实验表明，虽然进化扰动方法是针对RA攻击而设计的，但它对其他基于链接预测的攻击也是有效的。
2018-09-16 cs.SI physics.soc-ph
Fast link prediction for large networks using spectral embedding
许多链接预测算法需要计算每个顶点对上的相似性度量，这在顶点数量上是二次的，并且对于大型网络是不可行的。我们开发了一类链接预测算法的基础上的频谱嵌入和k最近对算法，可扩展到非常大的网络。我们比较了这些方法的预测精度和运行时间，现有的几个大的链接预测任务的算法。我们的方法达到了与标准算法相当的精度，但速度要快得多。
2017-03-28 cs.SI physics.soc-ph
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
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
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
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
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
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
High-order joint embedding for multi-level link prediction
University of California, Irvine（加州大学尔湾分校）
链接预测是从观测到的网络中推断出潜在的链接，是网络分析中的基本问题之一。与传统的图表示模型只预测双向成对关系不同，本文提出了一种新的基于张量的联合网络嵌入方法，将成对链接和超链接同时编码到一个潜在空间中，该方法在推断潜在的不可观察超链接时捕获了成对链接和多路链接之间的依赖关系.所提出的嵌入过程的主要优点是，它结合了节点之间的成对关系和子组结构，以捕获更丰富的网络信息。此外，该方法引入了链接之间的层次依赖关系来推断潜在的超链接，并导致更好的链接预测。在理论上，我们建立了所提出的嵌入方法的估计一致性，并提供了一个更快的收敛速度相比，链接预测利用成对链接或超链接。仿真环境和Facebook自我网络的数值研究表明，所提出的方法提高了超链接和成对链接预测的准确性相比，现有的链接预测算法。
2021-11-07 cs.LG cs.SI stat.ML
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
Leveraging Network Dynamics for Improved Link Prediction
University of Central Florida（中佛罗里达大学）；Sandia National Labs（桑迪亚国家实验室）
链接预测的目的是基于先前观察到的链接的示例来预测未来最有可能发生的连接。一个关键的见解是，在进行链接预测时，显式地对网络动态（链接创建或破坏的频率）进行建模是有用的。在本文中，我们介绍了一个新的监督链接预测框架，RPM（率预测模型）。除了网络相似性度量，RPM还使用预测的链接修改率，使用时间序列数据建模;它在Spark-ML中实现，并使用原始链接分布进行训练，而不是一个小的平衡子集。我们比较使用这个网络动力学模型直接创建时间序列的网络相似性措施。我们的实验表明，RPM，利用预测率，优于使用网络相似性措施，无论是单独或在一个时间序列。
2016-04-08 cs.LG cs.SI
Evaluating Link Prediction Methods
链接预测是一个热门的研究领域，在包括生物学、社会科学、安全和医学在内的各种学科中都有重要的应用。链接预测的基本要求是准确有效地预测网络中的新链接。虽然有许多不同的方法提出了链接预测，我们认为，这些方法的实际性能潜力往往是未知的，因为在评估链接预测，这影响了结果的可靠性和可重复性的挑战。我们描述了这些挑战，提供理论证据和实证例子，说明当前的方法如何导致可疑的结论，显示这些结论的谬误是如何照亮我们提出的方法，并制定一致的，标准的和适用的评估指标的建议。我们还建议使用精确-召回阈值曲线和相关面积来代替受试者工作特征曲线，因为链接预测分类问题中的极端不平衡会导致复杂性。
2015-05-15 cs.DB cs.IR cs.SI
Link Prediction on Heterophilic Graphs via Disentangled Representation Learning
The Pennsylvania State University（宾夕法尼亚州立大学）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）
链接预测是一项重要的任务，在各个领域有着广泛的应用。然而，现有的大多数链接预测方法都假设给定的图遵循同构假设，并设计了基于相似性的推理或表示学习方法来预测链接。然而，现实世界中的许多图是异亲图，其中同伦假设不成立，这对现有的链接预测方法提出了挑战。通常，在异嗜图中，有许多潜在的因素导致链接的形成，并且两个链接的节点往往在一个或两个因素中相似，但可能在其他因素中不相似，导致整体相似性低。因此，一种方法是学习每个节点的解纠缠表示，每个向量捕获节点在一个因子上的潜在表示，这为在异嗜图中建模链接形成铺平了道路，从而导致更好的节点表示学习和链接预测性能。然而，这方面的工作相当有限。因此，在本文中，我们研究了一个新的问题，探索解纠缠表示学习的链接预测的异嗜图。我们提出了一个新的框架DisenLink，它可以学习解纠缠表示建模的链接形成和执行因素感知的消息传递，以促进链接预测。在13个真实数据集上的大量实验证明了DisenLink在嗜异性和血友病图上进行链接预测的有效性。我们的代码可在https://github.com/sjz5202/DisenLink上获得
2022-08-03 cs.LG cs.SI
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
Signed Link Prediction with Sparse Data: The Role of Personality Information
Arizona State University（亚利桑那州立大学）；Walmart Labs（沃尔玛实验室）
预测社交网络中的签名链接通常面临签名链接数据稀疏性的问题，即，仅给出了一小部分签名链接。当负链接的数量远小于正链接的数量时，问题会加剧。提升有符号链接预测需要额外的信息来补偿数据稀疏性。根据心理学理论，这些信息的一个丰富来源是用户的性格，如乐观和悲观，可以帮助确定她建立积极和消极联系的倾向。在这项研究中，我们调查如何个性信息可以获得，如果个性信息可以帮助减轻数据稀疏性问题的签署链接预测。我们提出了一种新的签署链接预测模型，使经验探索用户的个性，通过社会媒体数据。我们评估我们提出的模型上的两个数据集的真实世界签署的链接网络。结果表明，个性信息的补充作用，在签署的链接预测问题。实验结果也表明了不同层次的个性信息对签名链接数据稀疏性问题的有效性。
2019-03-06 cs.LG cs.SI
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
A Novel Location Free Link Prediction in Multiplex Social Networks
近几十年来，社交网络的出现使得互联网服务提供商（例如，Facebook、Twitter和Uber）取得巨大的商业成功。链接预测被认为是构建社交网络拓扑结构并保持其不断发展的常见做法。传统上，链接预测方法依赖于用户的位置信息，其不时地遭受信息泄漏。为了解决这个问题，智能设备公司（例如，苹果公司）不断收紧其隐私政策，阻止互联网服务提供商获取位置信息。因此，在保证预测精度的前提下，设计与位置无关的链接预测方法具有重要意义。针对复杂社交网络，提出了一种新的无位置链接预测方法。在真实数据集上的实验表明，我们的位置无关的链接预测方法的精度提高了10%。
2022-12-13 cs.PF cs.SI
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 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
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
Quantum Link Prediction in Complex Networks
预测物理、生物、社会或技术网络中的新联系具有重大的科学和社会影响。基于路径的链接预测方法利用节点之间的偶数和奇数长度路径的显式计数来量化评分函数并推断新的或未观察到的链接。在这里，我们提出了一个量子算法，基于路径的链接预测，QLP，使用受控的连续时间量子行走编码偶数和奇数路径为基础的预测分数。通过对几个真实网络的经典模拟，我们证实了量子行走评分函数与其他基于路径的链接预测器的性能相似。在一个简短的复杂性分析中，我们确定了我们的方法在揭示基于路径的链路预测的量子加速方面的潜力。
2022-11-25 cond-mat.dis-nn cs.SI physics.bio-ph
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 in Multiplex Networks based on Interlayer Similarity
一些网络系统可以更好地通过多层结构来建模，其中各个节点在多个层中发展关系。具有跨层的相似节点的多层网络也被称为复用网络。本文提出了一个新的框架，预测即将到来的或丢失的多路复用网络中的链接。多路复用网络中的链接预测问题是如何在考虑其他层的结构信息的情况下预测其中一层中的链路。所提出的链接预测框架是基于从考虑链接预测的层中提取的层间相似性和基于邻近度的特征。为此，常用的基于邻近度的功能，如Adamic-Adar和Jaccard系数。这些特征最初被提出来预测单层网络中的缺失链接，不需要学习，因此计算简单。所提出的方法引入了一个系统的方法来考虑层间相似性的链接预测的目的。仿真和实际复用网络上的实验结果表明了该方法的有效性，并显示其优越的性能比国家的最先进的算法提出的复用网络中的链接预测问题。
2019-04-24 cs.IR cs.SI
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
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
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 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
FakeEdge: Alleviate Dataset Shift in Link Prediction
University of Notre Dame（圣母大学）
链接预测是图结构数据中的一个关键问题。由于图神经网络（GNN）最近的成功，提出了各种基于GNN的模型来解决链接预测任务。具体来说，GNN利用消息传递范式来获得节点表示，这依赖于链路连接。然而，在链接预测任务中，训练集中的链接总是存在的，而测试集中的链接尚未形成，导致连接模式的差异和学习表示的偏差。这导致了数据集移动的问题，降低了模型的性能。本文首先识别了链接预测任务中的数据集移位问题，并从理论上分析了现有的链接预测方法如何容易受到数据集移位的影响，然后提出了一种与模型无关的FakeEdge技术，通过减少训练集和测试集之间的图拓扑差距来解决这个问题。大量的实验证明了FakeEdge在各个领域的多个数据集上的适用性和优越性。
2022-12-03 cs.LG cs.SI stat.ML
A comparative study of similarity-based and GNN-based link prediction approaches
Universite de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；LORIA（洛林计算机科学与应用研究实验室）
基于图的当前结构来推断图中的缺失链接的任务被称为链接预测。基于成对节点相似性的链接预测方法是文献中公认的方法。虽然它们是抽象的，缺乏普遍适用性，但在许多现实世界的图中表现出良好的预测性能。另一方面，神经网络在各个领域的分类任务的成功导致研究人员在图中研究它们。当神经网络可以直接在图上操作时，则称为图神经网络（GNN）。GNN能够从图中学习隐藏的特征，这些特征可用于图中的链接预测任务。基于GNN的链接预测由于其在许多现实世界图中令人信服的高性能而受到研究人员的广泛关注。本文研究了由单一类型的（属性）节点和单一类型的成对链接组成的同构图域中的一些相似性和基于GNN的链接预测方法。我们评估研究的方法对几个基准图不同的属性，从各个领域。
2020-08-20 cs.LG cs.SI
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
Link Prediction Approach to Recommender Systems
推荐系统的问题是一个非常普遍的问题，有无数的解决方案。在文献中已经提出了一种使用社交网络中的链接预测问题的新方法，该方法将典型的用户-项目信息建模为二分网络，其中链接预测实际上意味着向用户推荐项目。标准的推荐系统方法遭受稀疏性和可扩展性的问题。由于链接预测措施涉及与网络中的小邻域有关的计算，因此这种方法将导致推荐的可扩展解决方案。在这种转换的问题之一是，链接预测问题被建模为一个二进制分类任务，而推荐系统的问题被解决为回归任务，其中的链接的评级是预测。我们通过预测前k个链接作为具有高评级的推荐而不预测实际评级来克服这个问题。我们的工作扩展了文献中类似的方法，专注于利用链接预测的概率措施。此外，在所提出的方法中，预测措施，利用时间信息的链接证明是更有效地提高预测的准确性。这种方法在基准“Movielens”数据集上进行了评估。我们表明，使用时间概率措施有助于提高质量的建议。基于时间随机游走的度量T_Flow将推荐准确率提高了4%，时间共现概率度量将基于项目的协同过滤方法的预测准确率提高了10%。
2021-02-18 cs.IR cs.SI
Generative Graph Neural Networks for Link Prediction
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Xidian University（西安电子科技大学）；Chengdu University of Information Technology（成都信息工程大学）；Chongqing Normal University（重庆师范大学）
基于观察到的图来推断丢失的链接或检测虚假的链接，称为链接预测，是图数据分析中的一个长期挑战。随着深度学习的最新进展，图神经网络已被用于链接预测，并取得了最先进的性能。然而，现有的为此目的开发的方法通常是歧视性的，计算两个相邻节点周围的局部子图的特征，并从子图分类的角度预测它们之间的潜在链接。在这种形式主义中，封闭子图和启发式结构特征的子图分类的选择显着影响的方法的性能。为了克服这一局限性，本文提出了一种新的和根本不同的链接预测算法的基础上的网络重构理论，称为GraphLP。GraphLP利用深度学习模型的特征学习能力，在假设真实世界的图不是局部孤立的情况下，自动提取图的结构模式进行链接预测，而不是对正链接和负链接进行采样并逐层计算其封闭子图的特征。此外，GraphLP探索高阶连接模式，以利用图的分层组织结构进行链接预测。我们在不同应用程序的所有常见基准数据集上的实验结果表明，该方法始终优于其他最先进的方法。与用于链接预测的判别式神经网络模型不同，GraphLP是生成式的，这为基于神经网络的链接预测提供了一种新的范例。
2022-12-31 cs.AI cs.SI
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
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
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
Attacking Similarity-Based Link Prediction in Social Networks
链接预测是计算社会科学的基本问题之一。预测未观察到的链接的存在的一种特别常见的方法是通过结构相似性度量，例如共同邻居的数量;具有较高相似性的节点对因此被认为更有可能被链接。然而，链接预测的许多应用，例如预测帮派或恐怖分子网络中的链接，是对抗性的，另一方被激励通过操纵关于网络的观察信息来最小化其有效性。我们提供了一个全面的算法调查的问题，通过链接删除攻击基于相似性的链接预测，集中在两大类这样的方法，一个只使用本地信息的目标链接，另一个使用全球网络信息。虽然我们展示了几个变化的一般问题是NP-难的本地和全球的指标，我们展示了一些动机良好的特殊情况下，这是易于处理的。此外，我们提供了原则和经验有效的算法的棘手的情况下，在某些情况下证明最坏情况下的近似保证。
2018-12-31 cs.CR cs.SI
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
E-LSTM-D: A Deep Learning Framework for Dynamic Network Link Prediction
Zhejiang University of Technology（浙江工业大学）；City University of Hong Kong（香港城市大学）
预测网络中节点之间的潜在关系，称为链接预测，长期以来一直是网络科学中的一个挑战。然而，大多数研究只是集中在静态网络的链接预测，而现实世界的网络总是随着时间的推移，节点和链接的出现和消失。动态网络链接预测由于能更好地捕捉网络的演化特性而受到越来越多的关注，但大多数算法仍不能达到令人满意的预测精度。基于长短期记忆（LSTM）在处理时间序列方面的优异性能，本文提出了一种新的编码器-LSTM-解码器（E-LSTM-D）深度学习模型来预测端到端的动态链接。它可以处理长期的预测问题，并适合不同规模的网络与微调结构。据我们所知，这是第一次将LSTM与编码器-解码器架构一起应用于动态网络中的链接预测。这种新模型能够在一个统一的框架中自动学习结构和时间特征，可以预测以前从未出现在网络中的链接。大量的实验表明，我们的E-LSTM-D模型显着优于新提出的动态网络链接预测方法，并获得最先进的结果。
2019-02-22 cs.LG cs.SI
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
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
Can GNNs Learn Link Heuristics? A Concise Review and Evaluation of Link Prediction Methods
Faculty of Engineering and Information Technology, University of Technology Sydney（工程与信息技术学院，悉尼大学）；Faculty of Engineering and Information Sciences, University of Wollongong（工程与信息科学学院，沃林戈大学）；College of Electrical Engineering, Zhejiang University（电气工程学院，浙江大学）
本文研究了图神经网络在链接预测中的能力，发现可训练节点嵌入能提升性能，且图密度越高提升越显著，为未来算法发展提供指导。
2025-12-07 cs.LG cs.SI
LP-UIT: A Multimodal Framework for Link Prediction in Social Networks
随着在线社交网络站点（SNS）上信息的迅速爆炸，用户很难以有效的方式寻找新朋友或拓宽他们的社交网络。链接预测可以有效地克服这一问题，因此受到了广泛的关注。现有的链接预测方法未能全面把握导致新链接形成的因素：1）很少有模型考虑用户短期和长期兴趣对链接预测的不同影响。此外，他们没有共同建模的影响，从社会影响力和"薄弱环节"; 2）考虑到不同的因素，应得出不同的信息来源的不同模态，缺乏有效的多模态框架的链接预测。从这个角度来看，我们提出了一种新的多模态链接预测框架（简称为LP-UIT），它融合了一组全面的特征（即，用户信息和拓扑特征）提取自多模态信息（即，文本信息、图形信息和数字信息）。具体来说，我们采用图卷积网络来处理网络信息以捕获拓扑特征，采用自然语言处理技术（即，TF-IDF和word2Vec）来建模用户的短期和长期兴趣，并从数字特征中识别社会影响力和“薄弱环节”。我们进一步使用一个注意力机制来模拟文本和拓扑特征之间的关系。最后，一个多层感知器（MLP）的设计，结合从三个模态的链接预测的表示。在两个真实数据集上的大量实验证明了LP-UIT方法优于现有方法。
2022-01-25 cs.SI
Introducing New Node Prediction in Graph Mining: Predicting All Links from Isolated Nodes with Graph Neural Networks
Universidad Politécnica de Madrid（马德里理工大学）
本文提出图挖掘中的新节点预测问题，即零样本图外全链接预测，并验证基于深度图神经网络的架构可在文献引用网络中预测孤立节点的全部链接。
2024-01-10 cs.AI cs.LG cs.SI
Inductive Link Prediction for Nodes Having Only Attribute Information
University of New South Wales（新南威尔士大学）；University of Science and Technology of China（中国科学技术大学）；The Chinese University of Hong Kong（香港中文大学）
预测两个节点之间的链接是图数据分析的基本问题。在属性图中，结构和属性信息都可以用于链接预测。大多数现有的研究集中在两个节点都已经在图中的转导链接预测。然而，许多现实世界的应用需要归纳预测新的节点只有属性信息。这更具挑战性，因为新节点没有结构信息，并且在模型训练期间无法看到。为了解决这个问题，我们提出了一个称为DEAL的模型，它由三个组件组成：两个节点嵌入编码器和一个对齐机制。两个编码器分别输出面向属性的节点嵌入和面向结构的节点嵌入，对齐机制将两类嵌入对齐，建立属性和链接之间的连接。我们的模型DEAL是通用的，在这个意义上，它适用于感应和转导链接预测。在多个基准数据集上的大量实验表明，该模型的性能明显优于现有的归纳链接预测方法，也优于现有的归纳链接预测方法.
2020-07-16 cs.LG cs.SI stat.ML
DyLink2Vec: Effective Feature Representation for Link Prediction in Dynamic Networks
一个复杂的系统，如社会网络或通信网络的时间动态可以通过了解随着时间的推移链接出现和消失的模式进行研究。沿着这种理解的一个关键任务是预测网络的链接状态在未来的时间给定的链接状态的集合在较早的时间点。在现有文献中，该任务被称为动态网络中的链接预测。解决这个问题比静态网络中的问题要困难得多，因为动态网络中节点对实例的有效特征表示很难获得。为了克服这个问题，我们提出了一种新的方法度量嵌入的节点对实例的动态网络。该方法将度量嵌入任务建模为最优编码问题，其目标是最小化重构误差，并且使用梯度下降方法来解决此优化任务。我们验证了学习的功能表示的有效性，利用它在各种现实生活中的动态网络的链接预测。具体来说，我们表明，我们提出的链接预测模型，它使用提取的特征表示的训练实例，优于几个现有的方法，使用众所周知的链接预测功能。
2018-04-16 cs.SI
Adversarial Robustness of Probabilistic Network Embedding for Link Prediction
Ghent University（根特大学）
在当今的网络社会中，许多现实世界的问题可以形式化为预测网络中的链接，例如Facebook的友谊建议，电子商务推荐，以及引文网络中的科学合作预测。链接预测问题越来越多地通过网络嵌入方法来解决，这是由于它们具有最先进的性能。然而，与更简单的基线相比，这些方法缺乏透明度，因此它们对对抗攻击的鲁棒性可能是一个值得关注的问题：对网络的一个或几个小的对抗性修改是否会对链接预测产生很大影响使用网络嵌入模型时的性能？先前的研究已经研究了网络嵌入模型的对抗鲁棒性，重点是节点和图级别的分类。另一方面，对于链路预测下游任务的鲁棒性研究较少，本文通过研究链接预测的条件网络嵌入（CNE）模型的对抗鲁棒性来填补这一空白。更具体地说，给定CNE和一个网络，我们测量模型的链接预测对网络的小对抗扰动的敏感性，即节点对的链接状态的变化。因此，我们的方法可以识别网络中最容易受到这种扰动的链接和非链接，供分析师进一步调查。我们分析了最敏感和最不敏感的扰动的特征，并根据经验证实，我们的方法不仅成功地识别出最脆弱的链接和非链接，而且由于有效的近似，它可以以一种有效的方式进行识别。
2021-07-05 cs.LG cs.SI
Link Prediction Under Imperfect Detection: Collaborative Filtering for Ecological Networks
基于矩阵补全的协同过滤被认为是可扩展的并且对于在线服务链接预测是有效的（例如，电影推荐），但是不能满足生态网络中的链接预测的挑战。生态网络的一个独特的挑战是，观测数据受到系统的不完善的检测，由于准确的现场采样的困难。在这项工作中，我们提出了一个新的框架定制的生态二分网络链接预测。我们的方法首先将泊松N-混合模型，一个广泛使用的框架，在统计生态学建模不完美的检测一个单一的物种在现场采样。尽管其广泛用于单物种分析，但该模型从未被考虑用于不同物种之间的链接预测，这可能是因为链接预测和N-混合模型推理的复杂性。通过明智地结合泊松N-混合模型的概率非负矩阵分解（NMF）模型在潜在的空间，我们提出了一个直观的统计模型的兴趣的问题。我们还提供了一个可扩展的和收敛保证的优化算法来处理相关的最大似然识别问题。在合成数据和两个真实生态网络数据上的实验结果验证了该方法的有效性。
2019-10-08 cs.SI
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
