链路预测旨在利用网络的拓扑性质、节点特征等预测原本不相连的两个节点未来产生连接的概率。如何更有效地挖掘节点的信息一直是影响链路预测性能的重要因素。目前提出的链路预测算法普遍存在预测性能差或算法时间复杂度高的问题，造成了链路预测应用的局限。高阶的链路预测算法考虑了节点的1阶相似性、2阶相似性、……、n阶相似性，融入了更多节点间的信息，可以更好地表示节点之间的关系，从而更有效地挖掘网络的信息。
本书从复杂网络角度出发，对基于高阶编码的链路预测算法进行了总结与探索。全书分为4部分，由11章构成，第1部分（第1～3章）介绍了复杂网络与链路预测相关的基础知识以及经典的基于节点相似性的链路预测算法；第2部分（第4～7章）考虑了节点与邻居的邻居节点的高阶相似性关系，介绍了基于网络表示学习的高阶编码链路预测算法；第3部分（第8、9章）从物理学的角度出发，考虑节点与节点之间的相互作用力以及节点的高阶特征，介绍了基于复杂网络引力场的高阶编码链路预测算法；第4部分（第10、11章）介绍了链路预测当下的主流应用。最后，本书做了整体总结，并指出了待改之处。
本书可作为研究复杂网络、链路预测和推荐系统等领域的参考，也适合企业开发者和项目经理阅读。另外，对链路预测感兴趣的本科生和研究生也同样可以参考本书。

第1部分 基础知识
第1章 复杂网络
1.1 复杂网络简介
1.1.1 复杂网络的由来
1.1.2 复杂网络的图表示
1.1.3 复杂网络的计算机表示
1.1.4 路径与最短路径
1.1.5 连通性
1.2 复杂网络的拓扑性质
1.2.1 节点的度
1.2.2 度分布
1.2.3 平均路径长度
1.2.4 直径
1.2.5 集聚系数
1.2.6 节点中心性
1.3 典型的复杂网络模型
1.3.1 随机网络模型
1.3.2 小世界网络模型
1.3.3 无标度网络模型
第2章 链路预测
2.1 链路预测方法
2.2 链路预测技术
2.3 数据集划分
2.3.1 随机抽样
2.3.2 逐项遍历
2.3.3 k折叠交叉检验
2.3.4 熟识者抽样
2.4 评价指标
2.4.1 AUC
2.4.2 精确度
2.4.3 排序分
2.5 应用
第3章 基于节点相似性的链路预测算法
3.1 基于局部信息的节点相似性算法
3.1.1 基于共同邻居的节点相似性算法
3.1.2 基于Adamic-Adar的相似性算法
3.1.3 基于资源分配的相似性算法
3.1.4 基于偏好连接的相似性算法
3.1.5 基于局部朴素贝叶斯模型的相似性算法
3.2 基于路径的节点相似性算法
3.2.1 基于局部路径的相似性算法
3.2.2 Katz相似性算法
3.2.3 LHN-II相似性算法
3.3 基于随机游走的节点相似性算法
3.3.1 基于平均通勤时间的相似性算法
3.3.2 基于随机游走的余弦相似性算法
3.3.3 有重启的随机游走相似性算法
3.3.4 基于局部随机游走的相似性算法
3.3.5 基于叠加效应的随机游走相似性算法
3.4 其他节点相似性算法
3.4.1 基于矩阵森林理论的相似性算法
3.4.2 TSCN相似性算法
3.5 基于节点相似性的链路预测算法主函数
第2部分 基于网络表示学习的高阶链路预测算法
第4章 基于矩阵分解的DeepWalk链路预测算法
4.1 问题描述
4.2 模型框架
4.2.1 基于矩阵分解的DeepWalk算法
4.2.2 LPMF算法
4.3 实验分析
4.3.1 实验数据
4.3.2 基准方法
4.3.3 评价指标
4.3.4 实验结果与分析
4.3.5 度分布可视化
4.3.6 调参与分析
4.3.7 网络表示可视化
4.3.8 案例研究
第5章 基于网络节点文本增强的链路预测算法
5.1 问题描述
5.2 模型框架
5.2.1 基于矩阵分解的DeepWalk算法
5.2.2 基于文本信息的DeepWalk算法
5.2.3 TELP算法
5.3 实验分析
5.3.1 实验数据
5.3.2 基准方法
5.3.3 实验结果与分析
5.3.4 度分布可视化
5.3.5 调参与分析
5.3.6 网络表示可视化
5.3.7 案例研究
第6章 基于高阶近似的链路预测算法
6.1 问题描述
6.2 模型框架
6.2.1 NEU算法
6.2.2 LP-HOPA算法
6.3 实验分析
6.3.1 实验数据
6.3.2 基准方法
6.3.3 实验结果与分析
6.3.4 时间复杂度对比
6.3.5 度分布可视化
第7章 联合多视图特征的链路预测算法
7.1 问题描述
7.2 模型框架
7.2.1 不同阶网络特征获取
7.2.2 不同阶网络特征加权
7.2.3 基于HONR的链路预测算法
7.3 实验分析
7.3.1 实验数据
7.3.2 基准方法
7.3.3 实验结果与分析
7.3.4 参数分析
7.3.5 网络表示可视化
第3部分 基于复杂网络引力场的高阶链路预测算法
第8章 基于复杂网络引力场的链路预测算法
8.1 问题描述
8.2 模型框架
8.2.1 复杂网络引力场模型
8.2.2 LP-GFCN算法
8.3 实验分析
8.3.1 实验数据
8.3.2 基准方法
8.3.3 实验结果与分析
8.3.4 度分布可视化
第9章 基于复杂网络引力场与节点收缩的链路预测算法
9.1 问题描述
9.2 模型框架
9.2.1 基于节点收缩的节点重要性评估方法
9.2.2 改进的复杂网络引力场模型
9.2.3 LP-GFCNNC算法
9.3 实验分析
9.3.1 实验数据
9.3.2 基准方法
9.3.3 实验结果与分析
9.3.4 度分布可视化
第4部分 链路预测的应用
第10章 链路预测在知识图谱中的应用
10.1 知识图谱的表示
10.2 知识图谱嵌入技术
10.2.1 距离变换嵌入模型
10.2.2 语义匹配嵌入模型
10.3 利用链路预测完成知识图谱补全任务
第11章 链路预测在商品推荐系统中的应用
11.1 商品推荐系统简介
11.2 基于内容的商品推荐
11.3 基于协同过滤的商品推荐
11.4 相关数