更改

基于似然分析的链路预测的基本思路是：根据网络结构的产生和组织方式以及目前已经观察到的链路计算网络的似然值，并认为真实的网络使得网络似然值最大，然后再根据网络似然最大化计算每一对未连接的节点产生连边的可能性。

基于似然分析的链路预测的基本思路是：根据网络结构的产生和组织方式以及目前已经观察到的链路计算网络的似然值，并认为真实的网络使得网络似然值最大，然后再根据网络似然最大化计算每一对未连接的节点产生连边的可能性。

*层次结构模型 HSM

*层次结构模型 HSM<ref name="[17]">Aaron Clauset,Cristopher Moore,M. E. J. Newman (2008) [https://pattern.swarma.org/paper?id=1ca0e946-70ed-11ea-82c3-0242ac1a0005 Hierarchical structure and the prediction of missing links in networks].arXiv:0811.0484.</ref>

层次结构模型假设真实的网络都存在某种层次性，网络的连接则可看作是这种内在层次结构的反映。该方法的计算步骤如下：

层次结构模型假设真实的网络都存在某种层次性，网络的连接则可看作是这种内在层次结构的反映。该方法的计算步骤如下：

*随机分块模型 SBM

*随机分块模型 SBM

与层次结构模型的思想类似，随机分块模型假设网络中的节点可以被分为若干集合，两个节点间连接的概率只与相应的集合有关。换句话说，同一个群众所有节点的地位是相同的。随机分块模型特别适合刻画节点所属群的成员身份对于其连接行为有关键影响的情况，例如，著名的“角色模型”就包含了随机分块模型的理念。

与层次结构模型的思想类似，随机分块模型假设网络中的节点可以被分为若干集合，两个节点间连接的概率只与相应的集合有关。换句话说，同一个群众所有节点的地位是相同的。随机分块模型特别适合刻画节点所属群的成员身份对于其连接行为有关键影响的情况，例如，著名的“角色模型”就包含了随机分块模型的理念。<ref name="[18]">Roger Guimerà,Marta Sales-Pardo,Luís A. N. Amaral (2006) [https://pattern.swarma.org/paper?id=aa2a88c0-7107-11ea-a3cf-0242ac1a0005 Classes of complex networks defined by role-to-role connectivity profiles].nature physics.3.1:(63-69)</ref><ref name="[19]">Joerg Reichardt,Douglas R. White (2007) [https://pattern.swarma.org/paper?id=f20b0e20-7108-11ea-9e3d-0242ac1a0005 Role models for complex networks].arXiv:0708.0958.</ref>

随机分块模型的效果要好于层次结构模型。同时，该方法还可以剔除网络的错误连边，如纠正蛋白质相互作用网络中的错误连边。

随机分块模型的效果要好于层次结构模型。同时，该方法还可以剔除网络的错误连边，如纠正蛋白质相互作用网络中的错误连边。

*闭路模型 Loop model

*闭路模型 Loop model<ref name="[20]">吕琳媛,Xiaolong Ren,周涛 (2016) [https://pattern.swarma.org/paper?id=f5d29350-710a-11ea-9346-0242ac1a0005 网络链路预测：概念与前沿].</ref>

似然分析的更一般的框架是：给定一个网络系统，特定网络哈密顿量的负指数被统计分配函数归一化后，就得到这个网络出现的似然，一条未被观察到的连边存在的可能性就等于添加这条连边后网络的似然值。闭路模型考虑网络结构形成中的“局部性原则”，并由此定义了网络的哈密顿量。实验表明，闭路模型的预测精度大于层次结构模型和随机分块模型。

似然分析的更一般的框架是：给定一个网络系统，特定网络哈密顿量的负指数被统计分配函数归一化后，就得到这个网络出现的似然，一条未被观察到的连边存在的可能性就等于添加这条连边后网络的似然值。闭路模型考虑网络结构形成中的“局部性原则”，并由此定义了网络的哈密顿量。实验表明，闭路模型的预测精度大于层次结构模型和随机分块模型。