linkvoorspellingen

Linkvoorspellingen is een onderzoeksgebied binnen netwerktheorie en datawetenschap dat zich richt op het voorspellen van toekomstige of ontbrekende verbindingen tussen knopen in een netwerk. Het uitgangspunt is dat de huidige structuur en de knopeigenschappen aanwijzingen bevatten over waar nieuwe relaties zullen ontstaan. Doelen zijn onder meer het invullen van ontbrekende links, het aanbevelen van potentiële relaties en het verbeteren van de modellering van netwerken.

Veel gebruikte methoden zijn op heuristieken gebaseerd, zoals het tellen van gemeenschappelijke buren, de Adamic-Adar-score, de Jaccard-coëfficiënt en het preferential attachment-principe. Daarnaast worden probabilistische en matrix-gebaseerde modellen toegepast, waaronder factorisatie van nabijheids- of adjacentiematrices en probabilistische grafmodellen. Recente ontwikkelingen maken gebruik van machine learning en grafrepresentaties: node2vec, DeepWalk, en meer geavanceerde graph convolutional networks (GCN's) en GraphSAGE-achtige methoden, die knoopkenmerken leren en elkaar verbinden op basis van lokale en globale structuur.

Evaluatie gebeurt met metrics zoals ROC-AUC, precisie@k en recall@k, vaak met negatieve sampling en train-test splits die realistisch de toekomstige of ontbrekende links simuleren.

Toepassingen bevinden zich in sociale netwerken, biologische netwerken (eiwit-eiwitinteracties), kennisgrafen, aanbevelingssystemen en fraudepreventie. Uitdagingen omvatten onbalans tussen positieve en negatieve voorbeelden, privacy, bias, interpretabiliteit en schaalbaarheid.