With the growth of social networks, the problem of linking the isolated or missing nodes appears. Thus, link prediction comes into existence to resolve this problem. Link prediction may be defined as an approach to predict an optimistic relationship that may exist or is likely to exist between nodes. Predicting the prospect link formed in future between nodes either in a dense or sparse network, the number of techniques exist intending to establish a link based on a certain similarity between the nodes. After conducting in-depth research on almost every link prediction technique, we reach the conclusion that every technique evaluates the probability score to predict future links. This research work discusses almost every previous technique and puts forward a comparatively similar technique for link prediction. The proposed technique is named Shabaz–Urvashi Link Prediction (SULP), which is based on a formula derived from an empirical theory after making a node matrix and altering the position of the neighbouring nodes, which states, ‘A node is predicted to establish a friendship if it has a maximum degree in its common neighbouring row and a minimum degree in its common neighbouring column’. SULP is tested using established datasets and compared with other link prediction techniques on the statistical measures such as Area Under Receiver Operating characteristic Curve (AUROC), precision and recall. SULP performs better as compared to other link prediction techniques on most of the testing datasets.

随着社交网络的增长，出现了将孤立或缺失的节点链接起来的问题。因此，链路预测应运而生，以解决此问题。链接预测可以定义为一种预测可能在节点之间存在或可能存在的乐观关系的方法。预测将来在密集或稀疏网络中的节点之间形成的预期链接，存在许多旨在基于节点之间的某种相似性来建立链接的技术。在对几乎每种链接预测技术进行了深入研究之后，我们得出的结论是，每种技术都会评估概率分数以预测未来的链接。这项研究工作讨论了几乎所有以前的技术，并提出了一种相对相似的链路预测技术。所提出的技术被称为Shabaz-Urvashi Link Prediction（SULP），它基于从经验理论得出的公式，该公式是在制作节点矩阵并更改相邻节点的位置后得出的，其中指出，“预测一个节点将建立一个节点”。如果它在其公共相邻行中具有最大度数，而在其公共相邻列中具有最小度数，则表示“友谊”。使用已建立的数据集对SULP进行测试，并将其与其他链接预测技术进行比较，以进行统计度量，例如接收器工作区域下的特征曲线（AUROC），精度和召回率。与大多数测试数据集上的其他链接预测技术相比，SULP的性能更好。它是基于经验公式得出的公式，该公式是在制作节点矩阵并更改相邻节点的位置后得出的，该状态指出：“如果一个节点在其公共相邻行中具有最大程度，则可以建立友谊。在其共同的相邻列中的最低程度”。使用已建立的数据集对SULP进行测试，并将其与其他链接预测技术进行比较，以进行统计度量，例如接收器工作区域下的特征曲线（AUROC），精度和召回率。与大多数测试数据集上的其他链接预测技术相比，SULP的性能更好。它是基于经验公式得出的公式，该公式是在制作节点矩阵并更改相邻节点的位置后得出的，该状态指出：“如果一个节点在其公共相邻行中具有最大程度，则可以建立友谊。在其共同的相邻列中的最低程度”。使用已建立的数据集对SULP进行测试，并将其与其他链接预测技术进行比较，以进行统计度量，例如接收器工作区域下的特征曲线（AUROC），精度和召回率。与大多数测试数据集上的其他链接预测技术相比，SULP的性能更好。使用已建立的数据集对SULP进行测试，并将其与其他链接预测技术进行比较，以进行统计度量，例如接收器工作区域下的特征曲线（AUROC），精度和召回率。与大多数测试数据集上的其他链接预测技术相比，SULP的性能更好。使用已建立的数据集对SULP进行测试，并将其与其他链接预测技术进行比较，以进行统计度量，例如接收器工作区域下的特征曲线（AUROC），精度和召回率。与大多数测试数据集上的其他链接预测技术相比，SULP的性能更好。