通过分析来自 Flickr 和 Tumblr 的 170M 个自我网络的完整时间演变，我们发现自我网络的演变是爆发性的、社区驱动的，有后续的直径增加、轻微收缩和稳定阶段。 推荐系统有利于流行和连接紧密的节点，限制了直径的展开。 推荐系统引入的偏差促进了邻居选择的全局多样性。最后，我们通过两个链接预测实验展示了如何利用我们分析的见解来提高社交推荐系统的效果。

Feb, 2017

使用各种特征提取技术来为社交网络中的节点和边生成表示，以便预测缺失的连接，进而产生准确的推荐。

Mar, 2024

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

通过多成员节点聚类算法，结合网络结构和用户个人信息，自动识别和组织社交网络中的朋友圈，并能够检测出重叠和分层嵌套朋友圈，实验结果证明该模型能够准确地识别 Facebook、Google + 和 Twitter 等多种社交媒体数据的朋友圈。

Oct, 2012

本研究探讨了在众多现代应用中，训练数据中可能存在互相连接的个体不独立样本的情况下，预测算法的表现。我们提出了一种基于网络的罚函数来鼓励联通节点的预测相似性，并证明了将其应用于预测模型能够在现实和理论上得到显著的表现改进，特别在存在网络内部联系的情况下。此罚函数可以与许多基于损失的预测模型相结合，如回归模型，广义线性模型和 Cox 比例危险模型。通过对青少年的探险行为和大麻使用水平的预测研究，我们发现了这种方法对预测行为的提高是有效的，并且提供了对变量效应估计的说明。

Feb, 2016

提出一种结合第一和第二组方法的两阶段方法，其中第一阶段确定与节点位置和动态行为相关的新特征，第二阶段应用子空间聚类算法对社会对象进行分组，以区分集群的强度，在 Facebook、Brightkite 和 HepTh 等真实数据集上进行了广泛的实验，并与该领域的一些先前技术进行了实验验证，证明了该方法的优越性。

May, 2023

本文提出了一种基于图神经网络的新型用户身份链接框架，称为 (m)，该框架通过学习社交图中用户的局部和全局特征来预测用户身份链接，并在实际数据集上进行了广泛实验来证明其有效性。

Mar, 2019

本研究提出了一种基于监督随机游走的算法，结合网络结构和节点 / 边缘级属性信息进行边缘强度估计，并在 Facebook 社交图和大型协作网络上得到了验证。

Nov, 2010

本文以数据为中心的观点，旨在研究不同数据集中的链接预测原则，确认了三个关键因素：局部结构接近度、全局结构接近度和特征接近度，并揭示了它们之间的关系。新的洞察启发了 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。

Oct, 2023

本文对复杂网络中的链接预测方法进行了广泛的综述，将其分为四大类，包括基于相似性、基于概率、基于关系模型和基于学习的方法。此外，还介绍了一系列可用于研究链接预测的网络数据集。最后，讨论了最近的发展趋势和未来研究方向。

Jan, 2019