基于拓撲相似性的動態(tài)網(wǎng)絡(luò)鏈路預測方法.pdf

1、復雜網(wǎng)絡(luò)作為建模分析復雜系統(tǒng)的有效工具，正吸引著眾多學者的研究興趣，真實世界的復雜系統(tǒng)通常隨著時間不斷演化改變，而本文研究的動態(tài)網(wǎng)絡(luò)恰好能夠合理刻畫這種動態(tài)特性。對動態(tài)網(wǎng)絡(luò)將來某時刻邊的預測，即動態(tài)網(wǎng)絡(luò)鏈路預測問題，在諸如在線產(chǎn)品推薦、社交網(wǎng)絡(luò)好友推薦或生物分子功能交互檢測等領(lǐng)域中具有極大的應用背景和實用價值。
　　目前，大部分鏈路預測工作都集中在靜態(tài)網(wǎng)絡(luò)上，其中基于共同鄰居(Common Neighbor, CN)相似性的鏈路預

2、測方法最為人們熟知，由于其計算簡單且時間復雜度低，還經(jīng)常被擴展到動態(tài)網(wǎng)絡(luò)鏈路預測上，如CN-last和CN-all方法，然而這兩種方法忽略了動態(tài)網(wǎng)絡(luò)中邊的時序性這個重要信息，使得其預測準確性不夠理想。本文給出了廣義共同鄰居(Generalized Common Neighbor, GCN)的定義，用來計算兩個頂點在動態(tài)網(wǎng)絡(luò)中廣義上的共同鄰居個數(shù)，結(jié)合邊的時序性，給出了三種基于廣義共同鄰居的相似性計算方法，包含GCN-E, GCN-L和G

3、CN-IL，基于廣義共同鄰居相似性，提出了一個動態(tài)網(wǎng)絡(luò)鏈路預測的方法，這種方法保留了共同鄰居復雜度低的特點，同時有效利用了動態(tài)網(wǎng)絡(luò)的時序性信息，可以提高預測準確性。
　　本文在人工合成數(shù)據(jù)和真實網(wǎng)絡(luò)數(shù)據(jù)上，對提出的動態(tài)網(wǎng)絡(luò)鏈路預測方法進行了實驗研究。實驗結(jié)果表明，本文提出的GCN-E、GCN-L和GCN-IL三種方法得到的預測準確度相差不大。而與CN-last和CN-all方法相比時，預測效果有明顯提升，如GCN-E在所有實驗的三