链路预测是网络科学和数据挖掘的桥梁，有向网络（例如社交网络和引文网络等）中引入基于Hits中心性和偏置随机游走的链路预测方法预测缺失有向链接形成可能性具有重要意义。
在众多现存的有向网络链接预测算法中，基于相似度的算法因其复杂度低、预测精度高而成为最受关注且最具竞争力的方法。然而现有相似度算法大多仅考虑有向链接和局部结构信息，忽视高阶结构特征以及无法同时保留多种信息类型。为解决此限制，提出两种无参数链接预测框架：基于协同过滤的Hits中心性偏置随机游走框架和基于自包含协同过滤的Hits中心性偏置随机游走框架，可同时保留节点重要性与高阶结构信息。此外，为增强框架捕获不同有向网络结构的能力，将上述框架与经典有向局部/全局相似度方法相融合，构建出十二种高竞争力和强鲁棒性的链接预测指标。为测试所提十二个指标性能在十六个真实世界的有向网络上与二十六种基准方法进行多组实验，实验结果表明，所提十二个指标在多数情况下显著优于当前最先进的基准方法。
研究成果以“Link prediction in directed networks using Hits centrality and biased random walks”为题，发表于国际权威期刊《Chaos, Solitons & Fractals》/(中科院一区Top，IF=5.6)。陈广福为第一和通讯作者，江西理工大学谢斌博士和浙江工商大学方毅立博士为共同作者，武夷学院为第一完成单位。
