在这篇中，我们介绍了链接预测的重要任务，以及如何提取链接级特征来更好地解决这类问题。这在我们需要预测缺失的边或预测将来会出现的边的情况下很有用。我们将讨论的链路级功能包括基于距离的功能，以及本地和全局邻域重叠。
文章目录
- 1. 边层级任务
- 2. 链路预测任务两种方式
- 3. 通过邻近进行链路预测
- 4. 边层级特征
- 4.1 基于距离的特征（Distance-based feature）
- 4.2 局部邻域重叠（Local neighborhood overlap）
- 4.3 全局邻域重叠（Global neighborhood overlap）
- 5. 总结
1. 边层级任务
任务是：基于已有的图结构，预测新的边。
这意味着在测试时，我们必须计算所有尚未链接的节点对，对它们进行排序，然后，宣布我们的算法预测的最前面的k个注释对，是网络中将要发生的链接。
而现在的关键，是对每一对节点（边）设计特征。
正如上一篇中说到的节点层级的任务，是给节点设计特征，那我们能否直接拼接两个节点的特征作为这一对节点的特征呢？
答案是不能的，因为这样会丢失很多重要信息。
2. 链路预测任务两种方式
3. 通过邻近进行链路预测
4. 边层级特征
总体来说，边层级特征可以分为三种方式：
- 基于距离的特征（Distance-based feature）
- 局部邻域重叠（Local neighborhood overlap）
- 全局邻域重叠（Global neighborhood overlap）
4.1 基于距离的特征（Distance-based feature）
这种想法很简单，就是比如B、H之间的距离为2，那么就将BH这条边（预测边）的特征值设为2。
但也有很大问题，就是这种方法没有考虑邻域重叠的程度。
4.2 局部邻域重叠（Local neighborhood overlap）
4.3 全局邻域重叠（Global neighborhood overlap）
利用图邻接矩阵的幂计算两个节点之间的路径数。
以上是简单证明，学过数据结构的应该知道这个结论。
5. 总结
