一种时序有向网络中的链路预测方法

真实网络大多是有向的，且网络结构随时间动态变化，传统的链路预测方法大多适用于无向网络，其分析方法不能有效挖掘真实网络中的信息。针对以上问题，提出了一种基于归一化AA和LAS的时序有向的链路预测算法，该算法基于共同邻居、节点度属性及局部社团相似性，为每个链接分配时间影响因子并将其引入NALAS指标进行计算，考虑了网络有向性和网络历史结构的影响。在真实社会网络数据集上对该算法进行了仿真并与Salton、Jaccard等算法进行对比。结果表明，提出的算法与其他算法相比，预测精度得到了提高，说明该算法可以有效地在时序有向的社会网络中进行链路预测。     

基于三元组结构的有向网链路预测方法

当前链路预测的研究主要集中在无向网络,然而现实世界中存在大量的有向网络,忽略链路的方向会缺失一些重要信息甚至使预测失去意义,而直接将无向网络的预测方法应用于有向网络又存在预测精度降低的问题。为此,提出了一个基于三元组的有向网络链路预测算法,该算法针对有向网络和无向网络三元组结构的不同,应用势理论对三元组进行筛选,通过统计分析不同三元组闭合的可能性,以网络整体三元组闭合指数作为权重计算节点间的相似性。在9个真实数据集上的实验表明,所提方法比基准方法的预测精度提高了4.3%。     

基于路径连接强度的有向网络链路预测方法

链路预测旨在利用可获得的网络拓扑信息预测未知的连接关系.基于路径联系的预测方法在无向网络中取得了较好的效果.然而,在有向网络下,相同长度的路径因路径中连边方向不同会造成节点连接强度不同,传统预测方法难以区分路径异构造成的差异.鉴于此,首先以边权矩阵量化各类有向边连接强度的差异,进而为节点间不同异构的多类路径计算其连接强...     

基于广义共同邻居的有向网络链路预测方法

链路预测利用已知网络节点及结构等信息预测网络未知连接或未来连接。现有主流方法多应用于无向网络,而且部分有向链路预测方法忽视了共同邻居在有向网络下的多样异构特征。针对上述问题,提出了一种广义共同邻居算法。该方法首先对有向网络定义了广义共同邻居,通过网络中有向邻居异构体的连边概率衡量不同结构对连边贡献程度,然后利用该定义对现有的局部相似性指标进行了优化,重定义8种基于广义共同邻居的有向相似性指标。在 12 个数据集上的实验表明,所提方法在两个衡量指标下普遍提升了现有预测指标性能。     

基于有效路径拓扑稳定性的链路预测方法

许多链路预测方法来源于复杂网络中路径上的资源传输过程,但缺少考虑路径周围结构的拓扑稳定性,使得路径上的资源传输有效性不高。针对此问题,提出了基于有效路径拓扑稳定性的链路预测方法。该方法首先利用路径两端节点间所有共同邻居的聚类系数量化路径周围结构的拓扑稳定性;然后再利用两端节点的度和共同邻居个数量化预测节点间二阶路径上的双向资源传输有效性;最终结合量化的拓扑结构稳定性和资源传输有效性定义有效路径拓扑稳定性指标。通过九个网络仿真表明,提出的指标具有较高的预测精度与良好的鲁棒性。     

基于四阶模体的有向网络链路预测方法

网络模体是出现频次较高的子图模式,代表了复杂系统中的重要功能单元或者某种特定的组织结构,揭示了复杂网络的内在机理.一些学者已经基于三阶模体进行了链接预测的相关研究,但是多数学者通常忽略四阶模体在相似性计算中的作用.为此,提出一种基于四阶模体的有向网络链路预测方法.面对众多的四阶子图,提出限定条件简化情况,使用Z-sco...     

有向动态网络中基于模体演化的链路预测方法

以往传统的链路预测方法大多数针对无向网络,而实际上大多数社交网络是有向的,并且没有考虑网络中同一节点对之间的重复边以及微观演化信息,因此不能较好地解决有向动态网络中的链路预测问题。针对有向网络,将节点对之间的重复边信息转换为该节点对之间连边的权值;接着采用了基于三元组模体的演化模型,对滑动窗口中相邻时间片的模体转换概率进行统计后,采用指数加权滑动平均法对其进行时序分析得到不同模体转换概率的预测矩阵,进而使用该矩阵对网络中的链边进行预测。这不仅充分利用了网络微观演化信息,而且解决了动态网络中重复边的问题。最后对实验结果进行分析发现,在高全局聚类系数高平均度的网络中AUC相比Triad Transition Matrix方法提高了近0.01,而相比Common Neighbor方法提高更多。因此,所提方法能够较好地应用网络微观演化信息进行链路预测。     

基于高阶自包含协同过滤的有向网络链路预测

针对大部分现存有向网络链路预测方法仅关注有向局部结构及互惠链接信息而忽略有向全局结构的问题,提出高阶自包含协同过滤(HSCF)链路预测框架。首先,利用随机游走方法计算高阶相似度矩阵去保持有向网络的高阶路径信息;其次,将高阶相似度矩阵与协同过滤方法相融合构建HSCF框架;最后,把所提框架分别与有向共同邻居(DCN)、有向Adamic-Adar(DAA)、有向资源分配(DRA)和势能理论Bifan 4个典型有向结构相似度相融合,并由此提出HSCF-DCN、HSCF-DAA、HSCF-DRA和HSCF-Bifan 4个有向网络预测指标。在10个真实有向网络上的实验结果表明,与基准指标相比,HSCF-DCN、HSCF-DAA、HSCF-DRA和HSCF-Bifan的受试者工作特征（ROC）曲线下方面积（AUC）值分别平均提高了8.16%、8.85%、9.64%和10.33%,且F分数值分别平均提高了66.62%、68.32%、68.95%和76.18%。     

基于AFP的有向加权注意力流网络链路预测

个性化推荐系统在减轻信息超载、提供个性化服务和辅助用户决策等方面应用广泛,链路预测是个性化推荐的重要方法之一。传统启发式链路预测方法仅考虑网络的图结构特征,缺乏对显式特征和隐式特征信息的应用,且大多数方法基于无向无权网络。针对传统链路预测方法存在的不足,基于集体注意力流网络和R-GCN方法,提出了链路预测算法AFP,将注意力流网络中2节点间不同的边方向抽象为2种边关系类型,并引入注意力机制学习网络中的节点属性和边属性,还综合考虑了网络的图结构特征、显式特征和隐式特征,最后通过评分函数得到三元组成立与否的概率,将链路预测问题转化为一个二分类问题,预测节点间的边属于某个关系类型的可能性。实验结果表明,相比于GCN、GAT等6个基准算法,该算法在准确度、精度和召回率等多个评价指标上均有提升。     

基于共同邻居邻域拓扑稠密性加权的链路预测方法

链路预测旨在利用已知的网络节点和拓扑结构信息,预测网络中未连接的两个节点之间存在连边的可能性。基于网络拓扑相似性的链路预测方法计算复杂度低且预测效果好,但现有的相似性指标对共同邻居的邻域拓扑信息考虑较少。针对此问题,提出一种基于共同邻居邻域拓扑稠密性加权的链路预测方法。首先,基于邻域拓扑相对稠密指数量化节点的邻域拓扑结构;然后,利用共同邻居的节点度和邻域拓扑相对稠密指数刻画共同邻居及其邻域拓扑的相似性贡献;最后,提出基于共同邻居邻域拓扑稠密性加权的节点相似性指标。在多个实际网络数据上的实验结果表明,与现有相似性指标相比,该方法能够取得更高的预测精度。     

基于拓扑连接紧密度的相似性链路预测算法

许多链路预测方法仅仅关注预测的准确度衡量指标,忽略了精确度衡量标准在实际应用中的重要作用,且没有考虑共同邻居与预测节点间紧密度对相似性刻画的影响。针对上述问题,提出了一种基于拓扑连接紧密度的相似性链路预测算法。该方法通过局部拓扑结构定义共同邻居紧密度,并引入参数调节不同网络中紧密程度,最终刻画网络节点间的相似度。6个实际网络测试表明,相比共同邻居（CN）、资源分配（RA）、Adamic-Adar（AA）、局部路径（LP）、Katz等相似性指标,该算法提升了链路预测的预测精度。     

基于复杂网络动力学模型的链路预测方法

链路预测是复杂网络中研究缺失连边和未来形成连边的重要组成部分,当前基于网络结构的链路预测方法成果丰富,而基于复杂网络动力学模型的链路预测研究较少。针对无权无向网络,首先构建了复杂网络动力学模型,然后给出了基于复杂网络动力学模型的链路预测节点中心性的量化评价指标,最后通过给出的节点中心性量化指标,提出了由复杂网络动力学模型定义的链路预测方法。通过在真实网络数据集上进行的实验表明,提出的链路预测方法较基准方法有明显的预测精度的提升。     

基于局部图结构的链接预测模型

链接预测是基于已知的部分图数据来预测节点之间未被观测到的边或者未来可能产生的边的任务。链接预测领域目前最表现最佳的方法是,对所有目标节点对提取周围的低阶邻居小图,使用小图做图分类预测链接的方法。然而,这种方法的稳定性和性能受限于图的局部结构特异性。提出的方法在上述算法的基础上进行了改进。该算法根据目标节点周围节点的结构特征计算周围节点优先值,根据优先值筛选出高优先值的节点集合,并同时选出一定数量的随机节点,共同组成封闭子图,提取子图特征进行链接预测。实验表明,该算法有效提高了在不同结构的图数据上选出的小图的精准性和稳定性,显著提升了链接预测的效果。     

融合有向结构和非负矩阵分解的链路预测

现存有向网络链路预测方法仅考虑单类型网络结构而忽略一些关键网络结构,导致预测准确度下降。针对此问题,提出一个融合多类型有向网络结构和非负矩阵分解的链路预测框架去保持局部和全局结构信息。首先,将有向网络的邻接矩阵映射到低维潜在空间保持原始网络的方向链接;其次,通过2-范数和规范化拉普拉斯融合四个关键有向结构相似度包括有向共同邻居（DCN）、有向Adamic-Adar（DAA）、有向资源分配（DRA）和势理论（BF）去保持多类型网络结构信息,分别提出四个有向网络的链路预测模型NMF-DNS-DCN、NMF-DNS-DAA、NMF-DNS-DRA和NMF-DNS-BF;最后,启用乘法更新规则去学习四个模型参数并证明所提算法的收敛性。在八个真实世界有向网络上与现存的代表性方法相比较,该模型的AUC、recall 和F1分别最大提高5.3%、7.8%和6%。