本文研究了基于节点相似度的网络链路预测模型，并比较了九种不同的局部相似度度量方法在六个真实网络中的性能。结果表明，最简单的方法即共同邻居法在各项性能上表现最佳，其次是 Adamic-Adar 指数。在此基础上提出了一种基于资源分配过程的新的相似度度量方法，并发现仅考虑最近邻信息时许多链接分配得分相同，设计出一种利用下一个最近邻信息的新方法，可以显著提高预测准确性。

Jan, 2009

通过梯度下降优化可完全可微的张量形式的映射方程，以深度学习为基础的图神经网络在社区检测和图聚类任务上取得了具有竞争力的性能，同时能够自动确定最优的聚类数目，并能够避免过分划分稀疏图。

Oct, 2023

我们提出了 TNCN，这是 NCN 的一个时间版本，用于预测时间图中的链接，并使用多跳公共邻居来学习更有效的成对表示。我们在五个大规模真实世界数据集上验证了我们的模型，并发现它在其中三个上实现了最新的最先进表现。此外，TNCN 在处理大型数据集上表现出了出色的可扩展性，在速度上超过了流行的 GNN 基线最多 6.4 倍。

Jun, 2024

使用本地链接 / 三角信息，基于公共邻居的聚类系数提出了一种新的相似性索引。通过测试十个真实世界网络，发现该方法与经典相似性指数和最近提出的 CAR 指数性能相当，但在 LCP-corr 不是很高的网络中优于 CAR。

Oct, 2015

描述、解释网络动态变化的关键挑战之一是预测短期和长期变化，在考虑增强节点属性和网络拓扑特征的基础上，应用 CMA-ES 优化 16 个邻域和节点相似性指数的权重来预测未来的链接，从而为推特回复网络的演化提供一些计算机建模的线索。

Apr, 2013

网络几何学的三种方法包括潜在空间几何、动力学过程感应几何和最短路径距离感应几何，能够有效地发现网络的分形性、尺度不变性、自相似性等基本对称性，在理论研究和实际应用中具有很大的效用。未来的研究方向和挑战也在这个新领域，可以理解大脑是如何工作的以及在互联网中进行路由选择。

Jan, 2020

研究不同社区检测算法对于网络结构的影响及其应用，介绍流动与信息论相结合的 Map Equation 方法并提供在线应用及分解算法。

Jun, 2009

本文研究相似性和基于 GNN 的链接预测方法在同构图中的应用，通过在具有不同属性的多个基准图上的实验评估不同方法的性能。

Aug, 2020

本文提出使用可学习的成对表示的神经公共邻居算法（Neural Common Neighbor, NCN）来解决关联预测任务中存在的成对关系问题。此外，为了解决网络不完整问题，也提出了两种干预方法（common neighbor completion 和 target link removal）。实验结果表明，与现有的强基线相比，该方法的表现更加优越，达到了关联预测任务中的最优水平。

Feb, 2023

该论文提出了一种基于随机路径的取样方法，可准确估算顶点之间的相似性，通过实验证明该算法能够以比现有方法快 300 倍的速度在网络中获取任何顶点的前 K 个相似顶点。

Apr, 2015