低秩矩阵的链接预测优化方法，结合了网络中的局部约束，挺适合搞大规模复杂网络的朋友用来快速构建相似性矩阵模型。不只是理论好看，实战表现也还不错。支持分治思路，跑分布式也稳，有点意思。

低秩结构的潜力这些年一直在被挖掘。加上局部约束，不仅让模型更贴近实际网络的异质性，还能提升预测准确度。你要是常在社交网络、推荐系统或者生物网络上折腾，这种方法真值得一试。

原理不复杂，说白了就是基于已有链接数据构建相似性矩阵，再通过低秩分解和一些局部特征优化这个矩阵。类似 SVD、QB 分解这些操作你应该不陌生，配合节点信息的局部调优，效果更自然。

更实用的是，它支持分治。什么意思？就是网络太大时，可以拆成小块并行。这样不但效率高，还适合部署到 Hadoop、Spark 这类分布式框架上，跑大数据也没问题。

如果你之前用过 低秩矩阵恢复算法 或者试过 固定 QB 分解，那这个方法你应该能快上手。要是对图相似性、邻接矩阵这些还不熟，也可以看看这些：

，如果你手头有网络结构数据，想搞预测、推荐或者挖点社交信息，这套方法用起来还蛮顺手的。代码实现也不复杂，响应也快，值得你在项目里实测看看。