经过一段时间的努力，终于迎来了一个元旦这样一个不长不短的假期，顺便把计算结果总结了一下，开始做些分析，记录一些尚不成熟的思考：

在统计了几个真实有向网络的的结构性质之后，并计算了这些有向网络的十一个基于局域信息的链路预测算法的精度，由于有向网络的效率（efficiency）相对于无向网络的要低，GSCC要小很多，因此导致基于优先吸引（PA）的相似度测量的算法在许多真实有向网络中的预测精度要高很多。尤其是对于有向无环网络，例如citation network，和互惠性极低的foodweb，PA的算法的精度是最高的。不过，对于WWW和POL-BLOGS这两个性质相似的网络，以及神经网络（celegans），周涛和吕琳媛提出的LP和RA的精度则是最高的，可能源于LP和RA能够有效地消除简并态，LP能够放宽局域性的限制。

基于上述分析，在有向网络，考虑到一方面要放宽共有邻居算法的过于局域化的限制，另一方面也要尽可能地消除简并态，我们并结合有向网络的一些特别的性质，我们把共有邻居算法拓展到有向网络中后，考虑了对称相似度和非对称相似度两个部分的结合，提出了基于共有邻居的一般化的有向网络链路预测算法，虽然算法精度较大幅度地超过了以前的基于局域信息的算法，不过这个算法是一个参数依赖的算法，虽然都优于前面的一些算法，但精度提升的幅度依赖于对称相似度和非对称相似度所占的权重，在实际应用中实现是有困难的。

在文章还没有完成也不知将来结果会怎么样的的情况下，就想感谢了，不管怎么样，借助这篇博文，感谢一下吧。

首先感谢周涛和吕琳媛等前辈的工作，在他们的文献中给出的非常深入的分析给我们许多的启示。他们的豁达而包容的心态给也是值得学习的。

其次也非常感谢NEWMMAN为我们提供了几个有向网络的数据和对有向网络结构性质的一些评述。