本篇文章对链路预测中的3个准局部相似性指标做阐述。
准局部相似性指标考虑的信息比局部指标更多，而放弃对预测精度没有贡献或贡献很小的多余信息。
（1）
。其作用范围比
更广，定义为：
是自由参数。显然，当
时，这个度量退化为
。如果
和
不是直接连接的，
等于连接x和y的长度为3的不同路径的数目，有：
为最大阶数。随着
的增加，这一指标对信息量和计算量提出了更高的要求。特别地，当
时，
将等价于考虑网络中所有路径的
指数。该指标在不相关网络中的计算复杂度为
，随
的增加而迅速增长，当
较大时，将超过
指标的计算复杂度(近似于
)。实验结果表明，最优
与网络的平均最短距离呈正相关。
指标的性能明显优于基于邻域的索引，如
。这是因为邻域信息的可区分性较差，并且两个节点对被分配相同的相似度分数的概率很高。以INT网络为例，其共有
多个节点对，其中
的节点对被
赋值为零。对于得分高于
的所有节点对，
被分配得分
，
被分配得分
。使用更多涉及下一个最近邻居的信息可能会打破状态的退化，并使相似性得分更容易区分。这就是
指标大幅提高预测精度的原因。
指标与另外两个依赖路径的全局指标(
和
指标)的比较如图所示，根据
值，
指标执行得最好，而
指标对于
而言是最好的。对于平均最短距离较小的网络(例如，USAIR和PB)，
指标对
和
给出了最准确的预测。总而言之，与全局指标相比，而
指标提供了具有竞争力的良好预测，同时计算量要少得多。
（2）
。为了测量节点
和
之间的相似性，首先在节点
上放置一个随机游走器，因此初始密度向量
。当
时，该密度向量演化为
，则
指标在时间步长
定义为：
其中
是初始配置函数。在文献
中
和
应用了一个由节点度决定的简单形式，即
。
（3）
。与
类似，在起始点连续释放随机游走者，使得目标节点与附近节点具有更高的相似度。数学表达式为
为时间步长。
将指标
和
与三个局部(或准局部)指标
，以及另外两个基于随机游走的全局指数
和层次结构方法
进行比较。结果如图：
的参数
(在
为
)，
的参数
。括号内的数字表示LRW和SRW标数的最佳步长。例如，
表示在
的第二步获得最佳
值。
和
方法的性能优于其他指标，它们各自的最优步行步长与网络的平均最短距离呈正相关。此外，
和
的计算复杂度低于
和
，其求逆和伪逆的时间复杂度约为
，而
步
和
的时间复杂度约为
，忽略了网络的异构度。也就是说，当
较小时，
和
的运行速度远远快于其他基于随机游走的全局相似性指数。
和
具有计算复杂度低的优点，在大型(即大
)和稀疏(即小
)网络中尤为突出。
与
和
动机相似。
应用于解决分类问题，既能降低时间复杂度，又能降低空间复杂度。
