信息融合相似性算法下的虚拟社区链接预测

针对传统的基于节点相似性的链接预测方法存在链接预测指标仅考虑网络结构信息或者节点属性信息,以及链接预测指标静态处理节点之间关系的问题,提出了一种基于信息融合相似性算法的链接预测指标（similarity based on network evolution and user generated content , SNEUGC）,该指标结合用户生成内容信息和网络演化信息对含权网络进行链接预测,以解决现有链接预测指标在含权网络环境下链接预测准确率低的问题。实验证明,该方法的准确率达到了80％,具有一定的可行性。     

基于社区信息的链接分析与预测研究

社区结构是社交网络最重要的拓扑特性之一,有助于理解用户分布和用户行为,提高链接预测的精确度.通过分析社区结构,结合贝叶斯理论,提出了一种新的基于社区信息的链接预测方法,并应用于真实的社交网络数据中对未来链接进行分析与预测.实验演示了该方法的优点和有效性,取得了很好的预测效果.     

基于卷积神经网络的链接表示及预测方法

针对节点全局表示和链接局部拓扑关系,提出链接序列化表示及卷积神经网络（CNN）提取序列特征的链接预测方法.研究节点间的局部拓扑及共邻关系,基于共邻紧密度构建链接局部拓扑的有序节点序列,并用node2vec节点向量表达生成潜在链接的矩阵表示;基于CNN建立链接预测的分类模型,采用CNN可变滤波器窗口卷积运算提取序列中共邻与节点对的多层隐含关系,分类训练实现链接的有效预测.在4种大规模网络数据集上的实验结果表明,相比已有方法,该方法的AUC值有显著提高,最高达12.4%,稳定性及普适性较强,解决了传统方法对大规模稀疏网络的预测准确率下降问题.     

相似性与结构平衡论结合的符号网络边值预测

针对传统社会网络中基于相似性的链接预测算法在预测准确率和计算复杂度上难以均衡,且无法直接应用于符号网络的问题,为了实现符号网络中的链接预测与符号预测双重目标,提出一种基于相似性与结构平衡理论的符号网络边值预测方法(PSNBS)。首先,结合符号网络拓扑特征和最优步长的选择,有效融合属性相似性和路径结构相似性,定义了两节点基于结构平衡理论的2-step相似度和3-step相似度。其次,考虑到不同步长的路径对于两节点相似性的不同贡献程度,引入可调步长影响因子,并在此基础上定义了两节点基于平衡论的边值预测得分。得分的绝对值度量了两节点的相似程度,即未来链接建立的概率;得分的正负即为未来链接的符号预测结果。再次,针对边值预测得分为0的特殊情况,引入节点负密度的概念,采用节点的度特征进行符号预测。最后,依据边值预测得分和节点负密度完成链接预测和符号预测。以、和为评价标准,在多个数据集上进行了实验。结果显示了所提算法的有效性和强健性,对于未来链接预测以及已有边的符号预测均能达到较高的预测准确率。此外,与经典的符号预测CN和ICN算法的实验对比分析显示,PSNBS算法符号预测准确率更高。     

基于通联行为的信息传播模式挖掘方法

针对通信内容未知且无关通联占比高情况下信息传播模式的挖掘问题,提出了一个生成模型,对通联行为发生的时间建模,预测网络中用户通信内容的相关性,进而获取网络中信息的传播模式.证明了求解所提模型的复杂度为NP-hard,并提出用NetMine算法来估计模型的一个近似最优解.实验结果表明,所提NetMine算法能够高效地挖掘网络中信息的传播模式,并优于已知的其他方法.     

加权网络中基于多路径节点相似性的链接预测

鉴于现有大多数链接预测算法仅考虑了图的局部或全局特性,在预测准确率和计算复杂度上难以均衡,且有关加权网络的链接预测研究相对较少,提出新的加权社会网络链接预测算法(STNMP).引入节点对边权强度的概念,用于度量邻居节点间的局部相似度.提出路径相似性贡献的概念,定义多路径传输节点相似性,用于描述步长为2和3的所有路径及这些路径上的中间节点对于所连接的两个节点的相似性总贡献.在多个真实网络中对算法的有效性进行验证,以AUC作为评价指标,与经典相似性算法CN、Jaccard、AA等进行预测准确率的对比分析.结果显示,针对小规模社会网络,STNMP算法的预测准确率高于现有算法.     

加权网络中基于多路径节点相似性的链接预测

鉴于现有大多数链接预测算法仅考虑了图的局部或全局特性,在预测准确率和计算复杂度上难以均衡,且有关加权网络的链接预测研究相对较少,提出新的加权社会网络链接预测算法(STNMP).引入节点对边权强度的概念,用于度量邻居节点间的局部相似度.提出路径相似性贡献的概念,定义多路径传输节点相似性,用于描述步长为2和3的所有路径及这些路径上的中间节点对于所连接的两个节点的相似性总贡献.在多个真实网络中对算法的有效性进行验证,以AUC作为评价指标,与经典相似性算法CN、Jaccard、AA等进行预测准确率的对比分析.结果显示,针对小规模社会网络,STNMP算法的预测准确率高于现有算法.     

车辆接入互联网基于机会链接的资源分配

为提高车辆接入互联网的通信服务能力,研究了无线网络接入点(AP)如何分配信道资源,才能更为有效地利用车载节点间的机会通信扩展AP通信服务范围.对基于机会链接的资源分配问题进行了形式化定义并证明该问题是NP-难的.为解决该问题又提出基于节点间链接预测的资源分配近似算法. 通过模拟实验分析了节点数量与节点请求下载量对传输率的影响,并将基于链接预测的资源分配算法(APL)与现有的基于竞争及随机资源分配方法进行了对比实验分析,实验结果表明: 该方法显著地提高了网络的通信服务能力.     

电信网络链接稳定性模型研究

社会网络包含了以人为主体的对象和人与人之间联系为代表的链接。针对很多研究链接方法需要知道包含所有链接节点的信息甚至网络的全拓扑信息,而单一电信运营商无法获知此信息的实际情况,根据电信运营商提供的通话清单,将电信用户和通话记录构造成社会网络中的对象和链接,分析电信网络链接的稳定性规律并给出一种基于局部拓扑信息的链接稳定性评价方法。实际数据验证结果表明,该方法能准确预测通信网络链接的稳定性,且该方法优于其他方法。     

融合用户行为同步指标的链路预测研究

现有链路预测方法大多基于网络结构相似性及连边的权重特征,没有有效挖掘连边权重形成的时序信息.考虑到两个节点行为的时间同步性往往是由于两个节点存在链接造成的,因此在网络结构的重构研究中通常利用节点的行为同步性来反推它们之间是否存在链接关系.该文尝试将节点同步性信息这一网络重构的方法引入链路预测领域,提出一种网络拓扑相似性...     

基于异质模体特征的社交网络链路预测

现有链路预测方法大多是针对同质网络,没有考虑到真实网络多数是节点或连边性质具有差异的异质网络,无法充分利用不同类型节点或连边的拓扑结构信息.提出了一种基于异质模体特征的链路预测方法,将网络中的用户以性别差异作为节点类型划分,构建区分节点类型的异质模体特征进行异质网络中的链路预测.在此基础上,提出融合同质模体与异质模体特...     

基于动态贝叶斯网络的WSNs链路质量预测

无线传感器网络中,链路质量预测为数据可靠传输和上层网络协议性能的提高提供支撑。为进一步提高链路质量预测的准确性,提出基于动态贝叶斯网络（dynamic Bayesian networks,DBN）的链路质量预测机制。为避免单一评价指标的片面性,从链路信号质量、链路稳定性及非对称性3方面综合评价链路质量;采用K-means聚类算法对参数进行离散化预处理,得到各参数的离散区间;采用熵值法确定各参数的权重,以消除参数权重计算中主观因素的干扰;为避免最大隶属原则的缺陷,采用非对称贴近度分析法构建综合性的链路质量等级指标;借助贝叶斯网络（Bayesian networks,BN）处理不确定性问题的优势和BN分类器在分类上的良好性能,确定DBN的初始网络和转移网络,采用EM算法进行DBN模型的参数学习,从而构建了基于DBN的链路质量预测模型。实验结果表明了采用非对称贴近度分析法划分链路质量等级的合理性与DBN链路质量预测模型的合理性;与4C及FLI预测模型相比,本文模型具有更高的预测准确度。采用链路信号质量、链路稳定性及非对称性3个指标评价链路质量,采用DBN构建预测模型,可得到更准确及鲁棒性更好的链路质量预测结果。     

基于模块度相似性的二分网络链路预测算法

基于社团结构,提出模块度相似性的二分网络链路预测算法,克服了二分网络在链路预测中丢失社团结构信息的局限性。首先,通过定义二分模块度,利用奇异值分解,将网络中的节点嵌入到欧式空间中的向量。其次,提出二分网络模块度相似性的框架,利用向量余弦相似度定义二分网络节点对之间的模块度相似性指标(MS指标)。最后,基于小提琴图和评价指标AUC,在3个真实网络上进行模拟仿真,与9种链路预测相似性指标进行对比,证明MS指标用于二分网络链路预测具有较高的精度。     

基于网络表示学习的机会网络链路预测

针对机会网络的多维链路属性和网络结构动态变化的特点,提出基于网络表示学习的链路预测方法。设置切片时长,将机会网络转化为网络快照序列,利用多维链路属性表示每个快照内的链路状态。采用网络表示学习方法聚合邻居节点的多维链路属性,并映射为低维的属性嵌入矩阵;采用基于注意力机制改进的循环神经网络学习网络拓扑随时间动态演化的规律,提取属性嵌入矩阵之间的时序特征;在输出层建立时序特征与链路状态之间的映射关系,实现下一时刻整网的链路预测。在Infocom-05和Hyccups等数据集上的实验结果表明,与现有同类方法相比,所提方法具有更高的预测精度。     

基于门控循环单元的链路质量预测

链路质量预测可以为上层路由协议选择高质量的无线链路进行通信提供依据。采用手肘法优化的K-means++算法,在此基础上自适应划分链路质量等级;选择RSSI均值、LQI均值以及SNR均值作为链路质量参数;基于Catboost评估链路质量,采用网格搜索法优化CatBoost超参数;使用滑动时间窗口得到链路质量时间序列样本集,使用 GRU提取链路质量的时序信息,将时序信息输入支持向量回归预测得到下一时刻链路质量等级。在室内、走廊以及停车场三个场景下实验表明,与基于小波神经网络、循环神经网络和随机向量函数链等方法构建的链路质量预测模型相比,本文提出的方法有更高的预测准确率。     

基于改进最小二乘支持向量回归机的链路质量预测

为了准确地预测链路质量,提出基于改进最小二乘支持向量回归机的无线传感器网络链路质量预测模型.采用粗糙集理论约简链路质量参数,以提取出有效反映链路质量的特征参数;利用遗传算法优化最小二乘支持向量回归机的惩罚因子和核函数宽度.实验结果表明,与Experts Advice预测模型相比,提出的预测模型具有更高的精度.     

基于S-ARIMA模型的无线通信网络业务量预测方法

针对当前业务量预测方法过于理想化、预测准确度不高等问题,根据现网业务量特征提出了一种基于乘积季节自回归求和移动平均(S-ARIMA)模型的业务量预测方法.依据现网业务量的特征,详细分析了基于S-ARIMA的业务量预测建模的数学过程,经过现网大量业务量数据验证,S-ARIMA模型相比其他模型方法在预测值和置信区间上均具有较好的结果,是一种合理有效的业务量预测方法.     

融合权重和结构的加权非负矩阵分解的链路预测

链路预测的目标是根据已知网络结构信息去预测尚未连接的节点间形成链接的可能性。大部分现存链路预测方法仅关注无向无权网络,忽略自然权重与网络结构,从而导致预测精度下降。为此,文章提出一个加权非负矩阵分解（WNMF）的链路预测模型。该模型同时保持自然权重和加权网络局部结构。首先,将权重网络的邻接矩阵分解映射到低维潜在空间,以保持原始网络自然链接权重,然后将3个经典的加权共同邻居（WCN）、加权Adamic-Adar（WAA）和加权资源分配（WRA）作为指示矩阵分配给非负矩阵分解模型,以保持网络局部结构,并融合以上两类信息提出3个基于加权非负矩阵分解框架（WNMF框架）的链路预测模型:WNMF-WCN、WNMF-WAA和WNMF-WRA。此外,采用拉格朗日乘法规则学习所提3个模型参数。在6个真实世界加权网络上将现有链路预测模型与本文链路预测模型相比较,其结果表明,所提模型的PCC和Precision值最高可分别提升22.8%和23.5%。