通过图子预测器揭示链接预测中的多阶流行度与相似性机制

链接预测已成为网络科学中的一个关键问题，因此吸引了越来越多的研究兴趣。流行度和相似性是真实网络形成中的两种主要机制。然而，流行度和相似性机制在各种领域网络中对链接预测的作用仍了解甚少 accordingly，本研究利用图子的轨道度来构建多阶流行度和相似性驱动的网络链接预测器，证明传统的流行度和相似性指标可以有效地用轨道度来表示。此外，我们设计了一个融合多个基于轨道度特征的监督学习模型，并验证了其链接预测性能。我们还在来自六个领域的 550 个真实网络上评估了该模型中每个特征的平均绝对 Shapley 加性解释。我们观察到，同质性机制作为一种相似性特征主导了社交网络，其胜率为 91%。此外，不同的相似性特征在经济、技术和信息网络中表现突出。最后，没有单一特征在生物和交通网络中占据主导地位。所提出的方法提高了链接预测的准确性和可解释性，从而促进了对复杂网络的分析。