復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測作為網(wǎng)絡(luò)科學(xué)研究中一個重要的研究方向，受到了越來越多來自各個學(xué)科領(lǐng)域?qū)＜业年P(guān)注，它可以利用現(xiàn)有的網(wǎng)絡(luò)信息，如節(jié)點和邊緣的特征，來預(yù)測未來可能形成的關(guān)系、網(wǎng)絡(luò)中缺失的信息以及新的或正在消失的信息，識別虛假交互，評估網(wǎng)絡(luò)演化機制，進(jìn)行網(wǎng)絡(luò)重構(gòu)等。當(dāng)前鏈路預(yù)測的文獻(xiàn)主要來自工程學(xué)、計算機科學(xué)與物理學(xué)的專家，它們各自為政，缺少合作，結(jié)合多學(xué)科進(jìn)行鏈路預(yù)測的綜述論文少之又少。因此，文中從計算機科學(xué)和物理學(xué)的視角全面回顧、分析和討論基于特征分類的鏈路預(yù)測算法的硏究進(jìn)展，介紹了該領(lǐng)堿專家們提岀的多種特征提取技術(shù)，首次把分層的思想引入鏈路預(yù)測算法分類中，將分類模型分為3層，即元數(shù)據(jù)層、特征分類層和特征抽取層。該分類模型包括“2個大塊7個方面”，即把常用的鏈路預(yù)測算法分為2個大塊（特征提取方法和特征學(xué)習(xí)方法）和7個方面（基于相似性的方法、基于似然分析的方法、基于概率模型的方法、矩陣分解方法、基于隨機游走的方法、基于神經(jīng)網(wǎng)絡(luò)的方法和基于自定義損失函數(shù)的方法）。該分類方法覆蓋了各學(xué)科中許多經(jīng)典的和最新的鏈路預(yù)測技術(shù)，包括當(dāng)前最流行的圖神經(jīng)網(wǎng)絡(luò)鏈路預(yù)測技術(shù)GNN（ Graph Neural Network），GCN（ Graph Convolutional Network），RNN（ Recurrent Neural Network）和RL（ Reinforcement learning）。文中研究了這些算法的模型復(fù)雜性和預(yù)測性能的差異，并對當(dāng)前鏈路預(yù)測技術(shù)未來所面臨的挑戰(zhàn)進(jìn)行了討論。