一种集成局部加权聚类系数的链接预测算法

加权复杂网络中的权重主要表示节点与节点之间的相互作用强度。由于权重的存在,传统的基于局部结构的无权链接预测方法并不适用于加权网络。因此一部分工作尝试把传统的基于局部邻接节点结构的算法迁移到加权网络场景,但是该类算法只是利用了一级共邻节点的拓扑属性,无法反映共邻节点的邻居对潜在节点对的贡献以及共邻节点互联密集程度对预测结果的影响。该文从局部结构的密集层面来分析共邻节点对潜在节点对的影响,提出了一种集成加权聚类系数的相似度指标（WCCLP）,该指标能够有效地扩大局部共邻节点结构对预测性能的影响,同时也能轻易拓展到加权局部朴素贝叶斯链接预测模型（WLNB）中。采用无监督学习的实验表明,和现有的相似度算法相比,WCCLP在多个真实数据集取得了更好的预测效果,同时在有监督学习的链接预测场景中,由WCCLP构建的特征比现有的局部相似度算法构成的特征更具判别性,同时拓展到WLNB的实验效果证明加权聚类系数的定义能够有效推广到其他模型当中。     

基于树状朴素贝叶斯模型的社会网络关系预测

在社会网络关系预测研究领域,把基于拓扑结构信息的共邻节点属性作为相似性度量的预测模型应用比较广泛,但是该类算法具有较强的假设独立性,不能完全反映社会网络的“链接”结构。引入树状朴素贝叶斯(TAN)分类模型,采用信息熵度量节点对的角色,赋予共邻节点集合差异化的贡献权重进行社会关系预测,同时把模型推广到CN,AA和RA 等3种基于相似度的链接预测算法中。对5个真实社会网络采用AUC和ROC曲线进行实验评价后证明,该模型能够在深入挖掘共邻节点对贡献及解决共邻节点角色独立性的基础上提高预测精确度,同时为该类模型的研究提供一种新的方案。     

基于隐朴素贝叶斯模型的社会关系推荐

基于共邻用户属性的社会关系推荐算法是社会网络分析关系预测领域的热点研究方向。提出了一种基于隐朴素贝叶斯（hidden nave Bayesian,HNB）模型的用户关系推荐算法。该算法通过分析属性之间的依赖性对问题建模,从中度量共邻用户之间关系对推荐用户对之间的贡献和影响,然后对所有候选推荐关系计算其相似度并进行排序,并把模型推广到CN、AA和RA三种关系推荐算法中。在真实网络数据集上的实验结果表明,所提出的算法比目前的基准方法和朴素贝叶斯方法具有更高的AUC值。此外,算法能够发现具备不同拓扑结构属性的网络对推荐精度有着线性的影响。     

基于模体的朴素贝叶斯链路预测方法

在具有模体特征的食物链网络、社交网络中,局部朴素贝叶斯（LNB）的链路预测方法通过准确区分每个共邻节点的贡献以提高链路预测的精确度,但忽略了每个共邻节点对所在路径的贡献不同以及网络模体结构对链接形成的作用。针对LNB链路预测方法存在的局限性问题,结合路径模体特征与朴素贝叶斯理论,提出基于模体的朴素贝叶斯链路预测方法。定义模体密度以量化路径结构上模体的聚集程度。考虑路径结构上模体密度对链接形成的影响,构建每条路径的角色贡献函数,以量化每条路径结构的模体特征对节点相似性的影响。在此基础上,根据朴素贝叶斯理论与角色贡献函数推导节点相似性指标。在Football、USAir、C.elegans、FWMW、FWEW和FWFW 6个真实网络上进行实验,结果表明,该方法能有效提高预测性能且具有较优的鲁棒性,其中在具有显著模体特征的FWMW、FWEW、FWFW网络上,相比现有相似性指标中较优的Katz指标,所提相似性指标的AUC值提升了2%~7%。     

联合社区和影响节点的通用可扩展的链接预测

针对相似度预测算法无法同时嵌入局部和全局信息并提高运行速度等问题,融合社区发现和影响节点识别技术提出一个通用可扩展的链接预测模型。对网络进行社区划分,分别计算局部共邻节点的社区参与度和全局影响力得分,集成到统一的相似度框架中。为验证算法的有效性和可扩展性,给出在加权和无权下多个局部密集结构和影响节点识别指标的定义。在真实数据集上的实验结果表明,提出方法可快速实现通用可扩展性的预测任务,结果也普遍优于基准算法。     

基于划分社区和差分共邻节点贡献的链路预测

通过改进基于节点相似度的朴素贝叶斯模型, 引入GN和CMN两种经典的划分社区算法挖掘网络社区属性对预测节点对的影响, 赋予共邻节点不同的连接度和社区贡献度并计算其贡献权重, 同时把模型应用于五种相似度算法, 采用ROC和Precision-Recall曲线进行实验评价。人工网络和真实网络中的实验证明, 该模型能够在深入挖掘社会网络结构信息的基础上提高预测的精确度, 同时为该类模型的研究提供一种新的方案。     

融合朴素贝叶斯方法的复杂网络链路预测

近来复杂网络成为了众多学者的研究热点。但真实网络中的连边信息并不完整,不利于网络的分析研究,链路预测可以挖掘网络中的缺失连边,为网络重构提供基本依据。本文认为网络中链接的产生不仅受外部因素——共同邻居的影响,还受其自身因素的影响。其中,共同邻居的影响可以通过文献中的局部朴素贝叶斯（LNB）模型量化,节点的影响则根据其自身的度量化。本文将两者综合考虑,提出了融合朴素贝叶斯（SNB）模型,然后用共同邻居（CN）、Adamic-Adar（AA）和资源分配（RA）指标进行推广。在美国航空网（USAir）上的实验结果表明,该方法的预测准确度比LNB和基准方法均有所提高,从而证明了该方法的有效性。     

非对称信息在链接预测中的应用

针对基于节点相似性的链接关系预测中因未考虑非对称信息导致预测准确度降低的问题,提出一种新的增加非对称信息的节点相似性度量方法。首先,分析了基于共同邻居（CN）的相似性度量算法的缺陷在于仅考虑CN的数量而未考虑各自节点的所有邻居的数量;然后,将节点之间的相似性度量定义为共同节点与所有邻居节点的比值,融合节点间对称相似信息和非对称相似信息,对节点间的相似程度进行深入细致的刻画;最后,将该方法应用到复杂网络中进行链接关系的预测。在真实数据集上的实验结果表明,与目前多种基于共邻的相似性度量方法——CN、AA、资源分配（RA）相比,所提方法提升了节点相似性度量的准确性,并且可以提高复杂网络中链接关系预测的准确度。     

融合多元影响力节点识别指标MPR的链接预测

多元网络通常是指节点之间存在多种维度链接关系的图结构.多元网络链接预测算法在构建相似度指标时,多数仅考虑单一维度网络的拓扑结构属性,未挖掘不同维度子网络之间存在的关联,影响链接预测的效果.针对该问题,提出一种基于多元全局节点影响力识别指标MPR的多元网络链接预测算法.通过定义一个多维度节点影响力排序指标MPR,度量多元网络空间中影响力较大的节点,并把影响力排名函数转化为潜在节点对之间的相似度得分,从而应用到多元网络链接预测场景中.在2个真实多元网络数据集上的实验结果表明,该算法的预测效果优于PR、EDC、ANC等对比算法,且具有较好的稳定性.     

基于对抗图卷积网络的链接预测模型

大部分的链接预测模型在挖掘节点相似性时过于依赖已知的链接信息,但在真实世界中,已知的观测链接数量通常较少.因此,为了提高模型的鲁棒性,需要提高解耦模型对链接信息的依赖并挖掘节点的潜在特征.文中考虑节点特征和链接之间的潜在关系,提出基于对抗图卷积网络的链接预测模型.首先利用节点间的相似性度量填充邻接矩阵中部分未知链接,缓解链接稀疏对图卷积模型的影响.再利用对抗网络深度挖掘节点特征和链接之间的潜在联系,降低模型对链接的依赖.在真实数据集上的实验表明,文中模型在链接预测问题上具有较好的表现力,在链接稀疏的情况下性能依旧较稳定,同时适用于大规模数据集.