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.     

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。     

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LDA主题模型的社会网络链接预测

针对传统社会网络链接预测方法忽视节点文本内容的问题,提出一种基于潜在狄利克雷分配(Latent Dirichlet Allocation, LDA)主题模型的协作演化链接预测算法。算法利用LDA模型,对节点的文本内容进行分析,提取出每个节点的主题分布向量,利用分布向量的点积来衡量节点文本的相似性;然后将节点文本内容相似性矩阵与节点邻接矩阵相加,在此基础上计算节点之间的相似性;最后选取相似性最高的k个节点作为预测结果。实验结果表明该算法在网络图稀疏的情况下有较好的效果。     

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.     

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...     

基于隐朴素贝叶斯模型的链接预测算法

基于共邻节点及其改进的链接预测模型中对共邻节点间的依赖关系考虑不足,不能完全利用网络的拓扑结构信息,针对此问题,提出基于隐朴素贝叶斯模型和双隐朴素贝叶斯模型的链接预测方法。该算法考虑共邻节点间互相依赖关系及其依赖关系的不同,通过隐朴素贝叶斯分类模型计算节点之间的相似性,利用条件互信息来衡量节点间的依赖程度,提高链接预测的准确率。采用网络DBLP和Email的真实数据作为实验数据集,使用AUC和Precision算法来评价本文的预测模型,实验结果表明,本文方法比目前主流方法的预测效果更好,验证了方法的准确性。     

复杂网络中的抽样链接预测

针对传统相似度算法无法预测给定顶点存在的链接问题,以抽样方法为基础,提出一种对复杂网络进行链接预测的方法,找出用户感兴趣节点的相关链接.根据用户感兴趣的节点,使用随机游走的方法,构造一个子图.设定该子图的大小使相似度估计值的误差小于给定的容错阈值.该方法仅在一个小的包含全局信息的子图上进行相似度计算,可以使计算时间大大减少.实验结果表明,算法的时间复杂度与数据集大小呈线性关系,基于局部指标的常见邻居(CN)算法、Jaccard以及PA指标算法的时间复杂度与数据集大小呈平方关系,以全局拓扑路径为基础的Katz算法的时间复杂度与数据集大小呈立方关系.     

基于结构加权网络的链接预测

研究社会网络中边的链接预测问题,试图根据网络中边的结构权重信息,将无权网络转换为加权网络进行研究。进而,对于一些加权网络,重新考虑其权重,分别以真实权重、结构权重以及将两者结合后的值作为网络中边的权重,研究resource allocation along local path(RALP)等指标、资源分配(RA)指标和局部路径(LP)指标在加权网络中的链接预测情况。实验结果表明,文中所提统计方法有着良好的预测效果,而且加权RALP指标的预测精度优于加权RA指标和加权LP指标。     

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%。     

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。     

一种基于注意力机制的节点相似性度量方法

在异构信息网络挖掘中,度量节点之间的相似性是一项非常有挑战性的工作.为了更准确地度量节点之间的相似性,通过结合注意力机制,从节点与元路径两方面单独进行计算,提出一种全新的节点相似性度量方法.通过在真实网络数据集上与传统算法进行实验对比,证明所提出相似性度量算法的准确性.     

基于隐朴素贝叶斯模型的链路预测算法

针对目前基于共邻节点及其改进的链接预测模型中存在对共邻节点间的依赖关系考虑不足,不能完全利用网络的拓扑结构信息的问题,本文提出了基于隐朴素贝叶斯模型和双隐朴素贝叶斯模型的链接预测方法。算法考虑共邻节点间互相依赖关系及其依赖关系的不同,通过隐朴素贝叶斯分类模型计算节点之间的相似性,利用条件互信息来衡量节点间的依赖程度,提高链接预测的准确率。采用网络DBLP和Email的真实数据作为实验数据集,使用AUC和Precision方法来评价本文的预测模型,实验结果表明,本文方法比目前主流方法的预测效果更好,验证了方法的准确性。     

基于迭代K-shell和改进信息熵的节点重要性排序算法

复杂网络中对节点重要性排序算法的研究具有重要的现实意义。传统的K-shell算法排序结果分辨率不高,根据节点信息熵的排序算法时间复杂度又过高。针对这一问题,提出基于迭代K-shell和改进信息熵的节点重要性排序算法。首先,通过分析K-shell分解过程中的迭代信息得到节点在网络中的全局信息;其次,提出改进的节点信息熵来得到节点的局部信息;最后,综合节点的全局和局部信息对节点重要性进行排序。通过将该算法在4个真实数据集上与其他6个算法进行实验,该算法与现有方法相比排序结果的分辨率更高、节点信息传播能力更强且时间复杂较低,更适用于大规模网络。     

路径重链接的GRASP最优化无线自组织网络能耗

针对无线自组织网络的能耗和容错问题,提出了一种基于路径重链接的贪婪随机自适应搜索程序(GRASP)启发式算法.首先,通过构建双连通图使得任意2个连通的节点之间至少有2条通信路径,从而提高容错能力;然后,在双连通网络的基础上,利用对功率的操作进行局部搜索,找出功率分配的最优值,从而达到优化整个网络能耗的目的.在随机生成的非对称测试问题上的仿真实验结果表明,相比MST-aug算法和贪婪算法,提出的算法在欧氏实例中的总能耗分别降低了37.85%、5.39%,在随机实例中的总能耗分别降低了74.63%、3.15%,且明显降低了边干扰和节点干扰,适用于故障容错需求较高的无线自组织网络环境.     

一种基于局部社团和全局信息的链路预测算法

以往复杂网络的链路预测研究常常只考虑了公共邻居等局部网络的拓扑信息,不能很好的反映网络整体上的情况.在考虑局部社团网络拓扑信息的基础上,将同配系数等全局信息也引入预测算法中,提出了一种基于局部社团和全局信息的LCII预测算法.应用该算法对多个真实网络进行了链路预测,发现与其他几种经典链路预测算法相比,LCII预测算法有较好的预测效果和准确度.可见,综合考虑局部社团和全局信息可以挖掘出候选节点间更多的信息,从而能在一定程度上提升预测的命中率.     

基于共同邻居有效性的复杂网络链路预测算法

链路预测旨在预测网络中的缺失连边，对于实际网络演化机制的了解具有重要意义。虽然现有研究已经提出了很多相似性指标，但它们都忽视了不同网络结构下共同邻居的有效性，而局部拓扑结构信息尤其是共同邻居结构在计算节点间相似性中发挥重要作用。考虑到共同邻居周围局部拓扑信息，该文提出了一种高效共同邻居指标。该指标首先分析了共同邻居所有连边的有效性，分别从端点两侧量化了节点的有效性；然后，通过分析共同邻居节点拓扑有效性对两侧资源分配过程的影响刻画节点间相似性。15个实际网络数据实验表明，相比现有经典的9种方法，所提方法具有较高的预测精度。     

基于资源传输节点信息耦合度的链路预测方法

现有的基于资源传输的链路预测方法仅考虑了路径信息的影响,却忽略了拓扑信息耦合对资源传输的促进作用。鉴于此,提出了一种基于资源传输节点信息耦合度的链路预测方法。首先根据拓扑信息定义了节点间信息耦合度和资源传输的路径载重量,从两个角度分别对节点间的相似性进行度量;然后为保证融合的科学性,基于链路预测的AUC给出权重,定义了结合节点间资源传输路径载重量和信息耦合度的链路预测方法(TP);最后在6个真实网络上进行数值仿真对比实验,验证方法的可行性与有效性。结果表明,文中所提方法不仅具有更高的预测精度,而且鲁棒性表现良好。     

综合时间序列分析和新颖性的信息扩散预测

现有信息扩散预测普遍依赖于社会网络构建,从而引发网络链路估计准确率低,信息扩散预测精度差的问题,为此提出了一种综合时间序列分析和信息新颖性的信息扩散预测方法.通过分析信息在网络节点上扩散随时间的变化特性,对网络节点的全局影响力进行估计,并考虑信息产生至节点受影响的时间差来衡量信息新颖性,进而平移调整节点影响力大小,最终实现信息扩散范围的预测.向斯坦福大学所提供测试数据的实验结果表明,新方法准确稳定地预测了信息扩散范围的实时变化.     

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.