银行交易网络的链路预测

基于银行交易具有动态变化、时效性和重复性的特点,文中通过对银行网络进行清洗和压缩,研究银行网络的基本拓扑统计性质和聚类结构,并得到交易网络满足复杂网络的小世界和无标度特性。针对已有的链路预测算法在动态网络预测中的不足,提出一种自适应的动态链路算法对银行客户交易进行预测。该方法在预测网络的基础上添加了节点重要性与节点连接强弱性两个特性,并将3种预测算法结合随机算法进行了对比分析。随后将这3种算法运用到具有动态交易特性的3类真实数据集中进行实验验证。实验结果显示,新算法的预测精度约为75%。将该算法与经典的预测算法进行比较发现,提出的算法在预测方面的性能提升了5%~10%。     

一种基于节点间资源承载度的链路预测方法

链路预测旨在发现网络的未知、缺失连接,具有重要的实际应用价值。基于网络结构相似性的链路预测方法具有简单且有效的特点,受到各领域学者的普遍关注。然而,许多现有方法在计算节点间存在连接可能性时,忽视了节点间资源承载能力的影响。鉴于此,该文提出一种基于节点间资源承载度的链路预测方法。该方法首先通过分析节点间资源传输过程,进而对节点间资源承载能力进行量化,提出资源承载度。然后,基于资源承载度对节点间连接可能性的影响进行分析,并提出相应的链路预测方法。9个真实网络的实验结果表明,相比其他链路预测方法,该方法在3个衡量标准下均具有较高的预测精度。     

一种与聚类系数相结合的链路预测方法

针对目前的链路预测方法考虑了共同邻居节点的数量,并没有综合考虑局部邻居节点的聚类系数信息,忽略了节点之间的紧密程度对链路预测的影响,故提出一种基于聚类系数的链路预测方法。该方法将共同邻居节点的聚类系数添加到结构相似性的四种链路预测方法中(CN,AA,RA,PA),并将改进的方法在四种数据集上同六种基于结构相似性的链路预测方法进行比较。实验结果证明,基于聚类系数的链路预测方法可以进一步提高链路预测的效果。     

差分化社会网络节点角色的链路预测模型

以经典的Common Neighbor算法为例,提出了一种基于社区划分的差分化节点角色的链路预测模型,该模型首先采用Clauset-Newman-Moore算法挖掘社会网络结构属性,同时引入节点连接度和社区整体参与度的定义,差分处理社区内外邻接节点和不同社区的贡献,采用有监督的学习训练方法分别对社区内节点对和社区间节点对进行链路预测.人工网络和真实网络中的实验证明,该模型能够提高基于相似度算法对节点对链路预测的准确率,并为该类模型的研究提供一种新的方案.     

基于相对移动性预测的k跳AdHoc网络分簇算法

针对网络节点随机移动造成的AdHoc网络分簇结构变化和路由失效问题,该文提出一种基于相对移动性预测的k跳分簇算法,分析和预测网络节点运动状态,自适应地调整分簇结构,提高簇结构稳定性。首先,使用多普勒频移计算节点间相对移动速度,预测节点移动性,得到节点间链路保持时间。然后,在簇形成阶段,采用面向节点稳定性的MAX-MIN启发式算法,根据节点的平均链路保持时间对簇首进行选择。进而,在簇保持阶段,提出一种基于节点运动状态的网络自适应调整算法,一方面调整节点信息数据发送周期以平衡数据开销和精确度,另一方面通过预测节点间链路通断情况调整分簇结构,以减少链路失效时的链路重建时间,提高网络运行质量。仿真实验表明,所提算法可以有效延长簇首持续时间,提高簇结构在动态环境下的稳定性。     

基于 AdaBoost 的链路预测优化算法

针对当前主流的基于网络拓扑结构的链路预测算法普遍存在召回率较低的问题,研究发现一些算法输出的结果中部分正确结果具有互补性,据此采用基于Boosting的集成学习方法对其进行改进。按照网络中节点之间是否存在链接关系,将链路预测问题定义为二分类问题,进一步遵循算法互补的原则选择若干具有代表性的链路预测算法作为弱分类器,基于AdaBoost算法提出并实现了一个新型链路预测算法。在arXiv论文合作网络和电子邮件网络等真实数据集上的实验结果表明,该算法的准确率以及召回率表现均显著优于当前的主流算法。     

大规模复杂疾病基因组交互网络嵌入算法

<正>复杂基因组网络往往具有大量的节点和边,学习其节点特征并应用于一些下游任务如链路预测往往不那么容易。因此,对比找到一种合适的嵌入算法以提高对复杂基因组网络的嵌入效率同时更好的应用于一些下游任务成为了一个非常有意义的问题。本文采用三种常用的嵌入算法（DeepWalk,Line,Node2vec）对复杂基因组网络进行嵌入学习得到节点的低维向量表示,然后将其应用于链路预测任务。同时重新定义了评估指标Micro-F1的各项参数,经过实验后发现DeepWalk对于复杂基因组网络的链路预测更为适用。任何复杂的系统都以网络的形式出现。     

一种基于资源传输路径拓扑有效性的链路预测方法

链路预测旨在利用网络中已有的拓扑结构或其他信息，预测未连边节点间存在连接的可能性。资源分配指标具有较低复杂度的同时取得了较好的预测效果，但在资源传输过程的描述中缺少对路径有效性的刻画。资源传输过程是网络演化连边产生的重要内在动力，通过分析节点间资源传输路径周围拓扑的有效性，该文提出一种基于资源传输路径有效性的链路预测方法。该方法首先分析了节点间潜在的资源传输路径对资源传输量的影响，提出资源传输路径有效性的量化方法。然后，基于资源传输路径的有效性，通过对双向资源传输量进行刻画，提出了节点间传输路径的有效性指标。在12个实际网络数据集上的实验测试表明，相比其他基于相似性的链路预测方法，该方法在AUC和Precision衡量标准下能够取得更好的效果。     

基于深度卷积神经网络的多节点间链路预测方法

目前,链路预测的研究主要针对拓扑结构变化缓慢的社交网络,集中在单节点对的链路预测.本文针对拓扑变化频繁的机会网络,提出一种基于模式分类的多节点间链路预测方法.该方法基于混沌时间序列理论确定机会网络的切片时间,采用状态图表征网络的拓扑结构,借助深度卷积神经网络在特征提取上的优势,从状态图的演化过程中提取机会网络的结构特征,根据当前特征推断未来链路的演化模式,实现多节点间的链路预测.在ITC（Imote-Traces-Cambridge）真实数据集上的实验结果表明,相比于基于CN（Common Neighbor）、AA（Adamic-Adar）、Katz等预测方法,本文方法具有更好的精度和稳定性.     

基于灰色预测容错时钟同步算法

针对分布式实时系统中无主式时钟同步存在时钟拜占庭故障和节点通信链路丢失故障的问题,文中提出一种基于灰色预测容错时钟同步算法。该算法基于广播式通信网络LL模型,使用GM(1,1)的灰色预测方法对前轮次的校正偏差值进行分析,从而预测出该节点在故障伦次中的校正偏差值,再通过计算得到修正值。实验结果表明,文中提出的灰色预测算法能够容忍拜占庭故障,同时可克服节点通信链路丢失故障带来的问题,提升了FTA算法的普适性。通过数据对比分析结果表明,该算法的时钟同步精密度相比于原始算法提高了24.3%;相较于其他算法,文中算法在复杂度上也有一定的优势。     

一种基于线性规划的有向网络链路预测方法

大多数有向网络链路预测方法在计算节点相似性时没有充分考虑有向网络的结构特点，未区分不同有向邻居对连边形成具有的贡献差异，导致预测性能受到局限。鉴于此，该文提出一种基于线性规划的有向网络链路预测方法。该方法对3种有向邻居的信息贡献进行量化分析，结合结构特点建立线性规划模型，进而通过求解贡献矩阵的最优解构建相似性指标。9个真实有向网络中的实验结果表明，所提方法相比于9种现有方法在两种衡量标准下表现出较高的预测性能与良好的鲁棒性。     

一种基于边界节点识别的复杂网络局部社区发现算法

在网络日益巨大化和复杂化的背景下,挖掘全局网络的社区结构代价较高。因此,基于给定节点的局部社区发现对研究复杂网络社区结构有重要的应用意义。现有算法往往存在着稳定性和准确性不高,预设定阈值难以获取等问题。该文提出一种基于边界节点识别的复杂网络局部社区发现算法,全面比较待合并节点的连接相似性进行节点聚类;并通过边界节点识别控制局部社区的规模和范围,从而获取给定节点所属社区的完整信息。在计算机生成网络和真实网络上的实验和分析证明,该算法能够自主挖掘给定节点所属的局部社区结构,有效地提升局部社区发现稳定性和准确率。     

基于用户节点相似度的局部社团挖掘

随着Web2.0的迅速发展,社交网络规模变得越来越庞大,包含的信息量也越来越多。传统的从全局角度出发进行社团挖掘的算法由于较高的复杂度以及获取全网信息的困难度,不适用于大型复杂网络的社团挖掘。文中提出了一种基于节点相似度和局部中心点的社团挖掘算法,实验结果表明,该算法在保证较高准确度的同时具有线性时间复杂度。     

基于相似度特性的复杂网络演化算法研究

提出了一种基于相似度特性和三角形结构的复杂网络演化算法,利用平均场理论给出网络的度分布、聚类系数和平均距离等特性的理论分析,并利用NetworkX工具包进行仿真验证,证明该演化模型在增加相似节点连接概率的同时具有幂率分布和小世界特性。     

异质网络中基于节点影响力的相似度度量方法

异质网络相似度学习,即分析两个不同类型对象间的相关程度.不同类型对象在异质网络中的重要程度不同,它们在相似度学习过程中的发挥的作用也不同.针对异质网络,提出了一种基于节点影响力的相似度度量方法NISim,该模型既考虑了网络中的链接结构,也保留了网络中的语义信息,同时区分不同类型节点对异质网络的作用.在异质信息网络环境下,通过启发式规则区分并量化不同类型节点的影响力权值,并结合网络链接结构和节点间语义关系,解决了提高相似度学习准确性的问题.实验结果表明,该方法能够有效地对异质信息网络不同类型节点进行相似度度量,可以应用在网络搜索、推荐系统以及知识图谱构建等不同领域.     

Link prediction method based on matching degree of resource transmission for complex network

In order to solve the problem that many existing resource-transmission-based methods ignore the important influence of the matching degree of two endpoints on resource transmission,a link prediction method was proposed based on matching degree of resource transmission for complex networks.Firstly,by analyzing the two endpoints on the resource transmission path in detail,the method of quantifying the matching degree between two nodes was proposed.Then,in order to describe the influence of matching degree on resource transmission process between nodes,the matching degree of resource transmission was defined.Finally,based on the matching degree of resource transmission,a resource transmission matching index was proposed considering the resource amount of bidirectional transmission between nodes.The experimental results of nine datasets show that compared with other similarity indices,the proposed index can achieve higher prediction accuracy under the AUC and Precision metrics.     

Link quality prediction based on random forest

Link quality prediction is vital to the upper layer protocol design of wireless sensor networks.Selecting high quality links with the help of link quality prediction mechanisms can improve data transmission reliability and network communication efficiency.The Gaussian mixture model algorithm based on unsupervised clustering was employed to divide the link quality level.Zero-phase component analysis (ZCA) whitening was applied to remove the correlation between samples.The mean and variance of signal to noise ratio,link quality indicator,and received signal strength indicator were taken as the estimation parameters of link quality,and a link quality estimation model was constructed by using a random forest classification algorithm.The random forest regression algorithm was used to build a link quality prediction model,which predicted the link quality level at the next moment.In different scenarios,comparing with exponentially weighted moving average,triangle metric,support vector regression and linear regression prediction models,the proposed prediction model has higher prediction accuracy.