真实世界属性网络不仅包含丰富的节点属性信息，也蕴含复杂的网络拓扑结构信息。在此类网络上进行链路预测任务，通常面临两个关键挑战：第一，如何充分挖掘和探索潜在的节点属性与拓扑结构信息；第二，如何有效协同与融合节点属性与拓扑结构的异构信息。为应对以上挑战，本文提出一个新颖的基于高阶结构与属性的双图正则化非负矩阵分解（DGNMFHA）的链路预测模型，该模型能同时保持属性信息与高阶结构信息。首先，DGNMFHA通过属性自相似性挖掘潜在属性结构，并采用加权短路径方法捕获高阶结构信息；其次，引入双图正则化约束以融合属性与高阶结构，促进二者深度耦合，从而增强模型对属性及高阶结构信息的保持能力，有效缓解结构稀疏性问题。此外，本文提供模型参数更新规则并从理论上严格证明了其收敛性。在九个属性网络上的实验结果表明：该模型在多项评估指标上均显著优于现有先进方法，AUC、AP、Recall、AUPR和F1-score分别实现0.64%-7.45%、0.77%-6.6%、0.35%-6.46%、0.46%-4.99%和0.38%-5.04%的性能提升，证明了其潜力与适用性。
研究成果以“Dual graph regularized nonnegative matrix factorization with node attributes and higher-order structure for link prediction in attributed networks”为题，发表于国际人工智能权威期刊《Expert Systems With Applications》/(中科院一区Top，IF=7.5)。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。
文章DOI：https://doi.org/10.1016/j.eswa.2025.130099