链路预测方法的新趋势

基于结构相似性：

  • 这类方法简单易行，计算复杂度低，尤其依赖局部结构的算法。
  • 挑战：
    • 不同算法在不同网络中的预测能力差异巨大。
    • 缺乏对算法性能与网络结构特征之间关系的深入研究。
    • 针对复杂网络（如含权网络、有向网络、多部分网络等）的结构信息预测研究不足。
  • 未来方向：
    • 建立以网络系综理论为基础的链路预测理论框架。
    • 通过网络结构统计分析，估算预测方法的可预测极限，指导最佳方法选择。

基于最大似然估计：

  • 局限性：
    • 计算复杂度高，难以应用于大规模网络。
    • 预测精度有限。

概率模型：

  • 优势： 综合考虑网络结构信息和节点属性信息，力求更精准的预测。
  • 局限性：
    • 计算复杂度高。
    • 节点外在属性信息获取难度大。

总结：

各种链路预测方法都致力于通过对已知数据的精确刻画实现预测，但角度各不相同。基于结构相似性的方法简单高效，但需要克服现有挑战。基于最大似然估计的方法和概率模型则面临计算复杂度和数据获取方面的难题。未来，链路预测需要在理论框架构建、算法优化和复杂网络应用等方面持续探索。