امروزه شبکه های پیچیده به طور گسترده و وسیعی برای توصیف سیستم های پیچیده مورد استفاده قرار می گیرد. روش های زیادی برای پیش بینی پیوند و استنتاج پیوند های ناموجود بر اساس توپولوژی شبکه موجود است، اما اثربخشی روش های پیش بینی پیوند فعلی اغلب به دلیل وجود نویز و یا پیوند های اشتباهی ( پرت) در شبکه های واقعی و همچنین تُنکبودن این شبکه ها کم بوده و در نوع خود محدود می باشند. از سویی دیگر، شبکه های دنیای واقعی حاوی اطلاعات سلسله مراتبی نسبتاً پیچیده ای با ویژگی های پنهان سطح پایین تر هستند. از این رو به دست آوردن اطلاعات چندلایه ای پنهان تر بر اساس روش های سطحی میسر نمی باشد. برای غلبه بر این چالش ها، ما دو روش پیشنهادی سطحی و عمیق برای پیش بینی پیوند بر اساس تجزیه ماتریسنامنفی خصمانه ارائه می دهیم که می توانند شبکه را با یک الگوریتم مبتنی بر آموزشی خصمانه بازسازی نمایند. برخلاف روش های مرسوم پیش بینی پیوند مبتنی بر تجزیه ماتریس، که بر روی توپولوژی گراف یا نویز خاصی تمرکز دارند، مدل های پیشنهادی حملات خصمانه ای را در نظر گرفته که به صورت آموزش خصمانه از پیش تعریف شده می تواند در مقابل نویزهای مختلف پایداری کند و مقاومت مدل را افزایش بخشد. علاوه بر این، برای حفظ ساختار محلی شبکه و استخراج میزان شباهت گره ها و اعمال آن در فضای جدید با ابعاد کم، از الگوریتم همسایگان مشترک استفاده شده و به طور همزمان از یک منظم ساز با نرم فروبنیوس برای جلوگیری از بیش برازش مدل های پیشنهادی استفاده می کنیم. همچنین به هدف بهینه سازی و یادگیری پارامترهای مدل پیشنهادی یکروش بیشینه-کمینه ساز کارآمد را ارائه داده و از آن بهره می گیریم. بر اساس مشاهدات و نتایجی که در بخش آزمایشات نشان داده شده است روش های پیشنهادی بر روی مجموعه داده دنیای واقعی و AUC اعمال شده و با روش های پایه و نوین پیش بینی پیوند بر اساس دو معیار مقایسه شده که نتایج حاکی از عملکرد بهتر روش های پیشنهادی است.
