本文提出利用社交认知理论来改善在在线社交网络中的链接预测算法，并探讨了利用社交圈子意识来扩展特征提取算法并验证其预测性能的方法，在社交圈子意识的算法中，预测性能得到了显著的提升，打败了一些最先进的解决方案，同时也可以用于针对特定类别的用户进行定向营销。

Sep, 2021

本文介绍了一个模型，通过多轮交互模拟用户和链接推荐器之间的反馈循环，研究了推荐算法的长期后果。实验结果表明，少数群体如果足够同质化，则可以从所有链接推荐器中获得不成比例的优势，同时推荐器会加剧富人越富的现象，这种现象独立于少数群体的同质化程度和大小，同时会加剧个体间的曝光不平等现象。

Dec, 2021

该研究提出了一种评估和降低个人排名算法偏差的框架，旨在实现公平性标准，通过 LinkedIn Talent Search 在线 A/B 测试并部署在全球 LinkedIn Recruiter 用户中，实现公平和商业指标的协调提高，有助于招聘行业和 630M 以上 LinkedIn 会员的公平和受益。

Apr, 2019

该研究提出了一种基于修改的随机游走方法，用于解决现有个性化推荐系统中存在的信息孤立问题，以促进各类不同的推荐内容，特别着眼于针对社交媒体中政治内容的推荐建议问题，该方法不仅能高精度地重建意识形态，而且具有更好的信息多样性和适用性。

Feb, 2021

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

本文旨在阐述关于社交网络数据驱动和理论支持的复杂模型的最新进展及其在理解社会不平等和边缘化方面的潜力。特别关注网络与基于网络的算法所引起的不平等问题，以及如何影响少数群体的感知和协作模式，最后指出该领域面临的主要挑战和未来机遇。

Jun, 2022

该研究探讨了图神经网络在链接预测中的群内公平性和偏好附着偏差，提出了新的群内公平度量，并提出了简单的训练策略以减轻群内不公平性。

Sep, 2023

研究说明链接预测方法在推荐系统中的广泛应用，但当用户系统性地遭受某些相关项目的低曝光时，可能出现曝光偏差。 该研究提出了一种通过已知曝光概率来减轻这种偏差和随之而来的反馈循环的估计器，并提供了一种用于从数据中学习曝光概率的损失函数，经过实验验证可可靠地识别出相关引用。

Jun, 2021

Social networks' graph-like structure and machine learning algorithms' performance in graph link prediction were investigated using the Adamic-Adar Index, Jaccard Coefficient, and common neighbour centrality. The AAI algorithm outperformed other graph-specific algorithms and machine learning algorithms in analyzing graph node attributes.

Aug, 2023