主题建模与链接预测：材料性质发现

链接预测基于图节点之间的连接模式推断缺失或未来关系。科学文献网络和知识图谱通常庞大、稀疏且噪声较大，常在实体之间缺失链接。我们提出了一种面向材料领域的AI驱动分层链接预测框架，集成矩阵分解以推断隐藏关联并引导发现。该方法将分层非负矩阵分解（HNMFk）和布尔矩阵分解（BNMFk）与自动模型选择相结合，同时采用Logistic矩阵分解（LMF），用于从聚焦于73种过渡金属硫化物（TMDs）的46,862篇文献语料构建三级主题树。这类材料在众多物理学领域均有研究，涉及众多当前与潜在应用。一种集成BNMFk + LMF的方法融合了离散可解释性与概率评分。 resulting HNMFk聚类将每个材料映射到如超导性、能源存储和摩擦学等连贯主题上。同时，突出主题与材料之间缺失或弱连接的链接，暗示了跨学科探索的新假设。我们通过删除对已知超导体的超导性 publications来验证该方法，展示模型预测与具有超导性TMD聚类的关联。这表明该方法在从科学文献中构建的材料到潜在主题关联图中寻找隐藏连接，尤其适用于涵盖同一类现象或材料但源自不同社区和视角的多样化语料库。由本方法生成的推断链接产生新假设，通过面向人类参与式科学发现的交互式Streamlit仪表盘加以展示。