基于復雜網絡的鏈路預測研究.pdf

1、近年來,網絡結構與演化機制已成為復雜網絡研究的一個主要問題。學者們對于復雜網絡的研究涉及到物理學、生物學、經濟學、信息學等越來越多的學科。如何通過對于已觀察到的網絡節(jié)點之間的拓撲連接信息,來發(fā)現(xiàn)未觀察到的或在未來將會出現(xiàn)的連接,這一問題成為愈來愈重要的研究點。
　　復雜網絡的鏈路預測是指對未知鏈接或未來鏈接的預測。鏈路預測問題的主流研究點是基于拓撲結構相似性方法,這一發(fā)展隨著研究的深入將越來越系統(tǒng)。因為根據(jù)已存在的網絡結構不僅更易

2、獲得,也更加可靠,更重要的是具有普適性,避免了不同網絡需要機器訓練獲得參數(shù)的繁瑣過程。例如,在科學家合著網絡中,有兩位科學家從來沒有合作完成過論文,然而由于工作調動而到一個機構中后,可能在以后幾年會合作研究。這一類原因導致的合作是很難預測的。但是根據(jù)網絡拓撲結構,如他們所屬的圈子越來越來越“近”,則可判斷未來兩人合作的可能性就越來越大。
　　對于復雜網絡中的鏈路預測研究,中外學者于不同角度提出各種相似性算法,并應用到實際數(shù)據(jù)中。本

3、文詳細闡述了各種經典相似性算法,并在共同鄰居算法(CN算法)的基礎思想上,考慮到節(jié)點本身拓撲性質——在網絡中,節(jié)點度有大有小,度小的共同鄰居節(jié)點往往比大于度大的共同鄰居節(jié)點作用更重要,改進指標定義可考慮節(jié)點對的相似性分數(shù),引入共同鄰居度數(shù)分之一。因此提出基于度值貢獻的共同鄰居改進算法(CNBD)。為了驗證其有效性,用四個真實網絡數(shù)據(jù)集,通過Gephi網絡分析軟件進行網絡拓撲特征數(shù)值的獲取,以及Mtlab仿真實驗對精確度AUC的計算,得到