基于表示学习和启发式特征的社交网络链接预测
内容提要
本文综述了复杂网络中的链接预测方法，分为基于相似性、概率、关系模型和学习的四类。介绍了多种网络数据集，并探讨了未来的研究方向。研究表明，结合不同方法和图神经网络的算法在链接预测中表现优越，尤其是在社交网络和真实数据集上。
延伸解读
链接预测方法的分类与融合趋势
文章将链接预测方法分为基于相似性、概率、关系模型和学习四类。其中，结合第一和第二组方法的两阶段方法在真实数据集上表现优越，表明混合方法能利用不同类别的优势。此外，基于图神经网络的启发式学习方法通过提取局部子图自动学习适合当前网络的算法，性能优越，这反映了方法融合与自动化的趋势。
社交认知理论与局部结构信息的应用
文章提到利用社交认知理论改善在线社交网络链接预测，通过社交圈子意识扩展特征提取算法，显著提升预测性能，并可用于定向营销。同时，分析节点邻近节点的贡献，发现3跳路径个数比传统2跳路径个数更能准确预测缺失链接，说明局部结构信息在链接预测中的重要性。
关键因素与模型设计启示
以数据为中心的研究确认了局部结构接近度、全局结构接近度和特征接近度是链接预测的三个关键因素，并揭示了它们之间的关系。这些洞察启发了GNN4LP模型设计以及选择适当基准数据集进行更全面评估的实用指导，强调了理解数据特性对模型设计的重要性。
不同算法的性能验证与改进
文章介绍了多种算法：GraphLP模型利用深度学习提取图表结构信息，在不同数据集上表现优异；基于监督随机游走的算法结合网络结构和节点属性信息进行边缘强度估计，在社交图和协作网络上得到验证；基于3、4、5阶motif特征的监督分类算法在构建完好的分类数据集上，准确率比之前方法提高了10个百分点。这些验证展示了不同方法在不同场景下的有效性。
Q&A
链接预测方法有哪些主要分类？
链接预测方法主要分为基于相似性、基于概率、基于关系模型和基于学习的方法四类。
图神经网络在链接预测中有什么优势？
图神经网络通过提取局部子图来自动学习适合当前网络的算法，实验结果表明其性能优越。
社交认知理论如何改善链接预测算法？
社交认知理论的应用显著提升了在线社交网络中的链接预测性能，尤其在特定用户类别的定向营销中表现良好。
哪些因素是链接预测的关键？
链接预测的三个关键因素是局部结构接近度、全局结构接近度和特征接近度。
GraphLP模型的特点是什么？
GraphLP模型利用深度学习提取图表结构信息，探索高阶连接模式，实验证明其在不同数据集上表现优异。
基于监督随机游走的算法是如何工作的？
该算法结合网络结构和节点属性信息进行边缘强度估计，验证效果良好。
