基于拓扑稳定性的有向网络链路预测方法

作为复杂网络研究的热门方向,有向网络链路预测旨在挖掘网络中未知的连边。网络演化机制是许多链路预测方法的理论来源和依据。现有有向相似性指标计算节点间存在连边的可能性时,忽略了实际网络演化过程中节点自身拓扑稳定性和网络结构稳定性。基于此,提出了基于拓扑稳定性的预测方法。该方法首先计算趋于稳定的节点对之间的相似度,然后计算预测节点对之间的拓扑稳定性。在三个衡量标准AUC、precision和排序分下,九个真实网络中的实验分析表明,提出方法具有较高的预测精度。     

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。     

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%。     

基于自动学习机的社会网络链路预测算法

针对社会网络中新关系出现的预测,提出一种基于自动学习机的社会网络链路预测算法.将自动学习机与三元组转化相结合,将不同类型三元组的转化作为预测的重要依据并构造学习函数,提出六种三元组内节点相似性指标.实验结果表明,该算法所提出的六个预测指标的预测准确度和稳定性要好于六种常用的链路预测指标,对于社会网络分析具有实际应用价值...     

基于链路预测的有向互动影响力和用户信任的推荐算法

针对传统推荐算法存在忽视社交网络结构紧密强度对用户信任传递的影响和缺乏社交心理解释等问题,提出基于链路预测的有向性互动影响力和用户信任的推荐算法。首先利用融合用户偏好行为和社交圈的综合相似度识别出目标用户的相似朋友圈;其次通过结合节点引力指数和有向性影响因子获得目标用户之间的有向性互动影响力,再利用由有向性互动影响力和用户评分信任而得的综合用户信任值在目标用户的相似朋友圈中寻找出值得信任的相似用户集合,有效提高了推荐的精确性,最后产生推荐。结果表明,所提的推荐方法较之前的社会网络推荐算法在性能上具有显著提高。     

移动社交网络中基于网络中心度的链路预测方法*

移动社交网络中的链路预测是指通过已知的网络节点以及移动社交网络结构等信息预测网络中尚未产生连边的两个节点之间产生链接的可能性。基于网络中心度的思想,提出一种适用于移动社交网络的链路预测算法。在该算法中,根据节点网络中心度和共同邻居数来计算两个节点的相似性指标,两个节点的共同邻居数越多、共同邻居的网络中心度越高,则两个节点的相似度越高。另外,由于移动社交网络的动态性特征,还将考虑时间因素对预测结果的影响。将该方法与其他4种常用的链路预测方法进行比较,实验结果显示所提方法要优于其他方法。     

基于三角构成规则的加权有向网络拓扑生成算法

针对加权无向图的网络拓扑模型难以表征真实网络环境下节点间有向性的问题,提出了基于三角构成规则的加权有向网络拓扑生成算法,依据概率优先选择节点的邻居节点进行有向性加边,通过网络边权的动态演化实现节点间的不对称性增长。并利用该算法进行了仿真实验。实验表明,基于三角构成的加权有向网络拓扑算法生成的网络拓扑结构符合真实环境下的网络拓扑结构所体现出来的拓扑特性,同时具有较好的聚类系数可控性。     

基于图核的异质信息网络链路预测方法

链路预测是图挖掘主要研究的问题,其研究重点是提取图的特征信息,现有研究方法大多只关注网络拓扑结构而忽略了节点属性信息.针对该问题,提出了基于图核的链路预测方法NGLP.该方法能挖掘有效、可用的元路径;基于元路径对预测对象生成带节点属性的子图,使用子图表示被预测的链路;然后利用图核方法计算子图之间的相似性;最后训练SVM得出链路预测结果.实验结果表明,提出方法与其他方法相比具有更高的精度和更强的稳定性.     

基于节点匹配度的动态网络链路预测方法

现实世界存在众多真实网络,研究真实网络中的动态演化趋势和时序性特征是热点问题。链路预测技术作为网络科学领域重要研究工具可通过挖掘历史连边信息推测网络演化规律,进而对未来连边进行预测。通过分析动态真实网络中的拓扑结构演化,发现通过分析网络拓扑中节点间的交互性和匹配度问题能够更充分捕捉网络的动态特征,提出一种基于节点匹配度的动态网络链路预测方法。该方法对网络节点的属性特征进行分析,定义基于原生影响力和次生影响力的节点重要性量化方法;引入时间衰减因子,刻画不同时刻网络拓扑对连边形成的影响程度;结合节点重要性和时间衰减因子定义动态节点匹配度（TMDN,temporal matching degree of nodes）方法,用于衡量节点对之间未来形成连边的可能性。在5个真实动态网络数据集中的实验结果表明,相比现有3类主流动态网络链路预测方法,所提方法在AUC和RankingScore两种评价标准下均取得更优的预测性能,预测结果最高提升42%,证明了节点间存在着交互匹配优先级,同时证实了节点原生影响力和次生影响力的有效性。     

基于时序模体注意力图卷积的动态网络链路预测算法

时序网络中的动态链路预测旨在基于历史连边信息预测未来会产生的连边,是网络分析的重要组成部分,具有极大的理论研究价值和广阔的应用场景.针对现有的动态链路预测算法大多基于一阶连边关系预测未来连边,忽略了对高阶的拓扑信息和时序通联信息的挖掘和利用问题,提出一种基于时序模体注意力图卷积的动态链路预测算法.首先,提出一种时序模体邻接矩阵构建算法,利用时序模体抽取节点间的高阶拓扑和时序关系信息;然后利用隐式调节过程对网络演化过程进行建模,并使用时序模体邻接矩阵作为传输矩阵的图卷积神经网络学习节点的低维向量表示并进行迭代更新;最后以节点间表示向量作为输入,通过计算连边发生的条件密度函数值作为依据完成动态链路预测.在多个真实时序网络数据集上的实验结果表明,所提算法可有效挖掘节点间的高阶拓扑和时序信息,提高动态链路预测效果.