[发明专利]一种基于二阶局部群落属性和节点相关性的预测网络连边的方法

权利要求书

1.一种基于二阶局部群落属性和节点相关性的预测网络连边的方法，其特征在于：包括如下步骤：

步骤一：构建内部连通的无向无权网络G(V,E),E为连边，V为节点,其邻接矩阵用A表示；

步骤二：任意选取网络G中两个无连边的节点i和j为两个种子节点，i和j之间路径长度为2的中间的一个节点为一阶共同邻居，长度为3的路径的中间2个节点为二阶共同邻居，提取所有i和j的一阶共同邻居节点和二阶共同邻居节点以及这些节点之间的连边，构成二阶局部群落，该群落的节点总数记为CN_ij，总连边数量记为SCS_ij；

步骤三：计算二阶局部群落的边聚类系数：

$K_{ij}={\mathrm{SCS}}_{ij}/\frac{{\mathrm{CN}}_{ij}*({\mathrm{CN}}_{ij}-1)}{2};$

步骤四：计算二阶局部群落的简谐平均距离：

其中，

${\mathrm{AVG}}_{ij}=\frac{1}{{\mathrm{CN}}_{ij}*({\mathrm{CN}}_{ij}-1)/2}\underset{g\≠h}{\Σ}\frac{1}{d_{gh}};$

上式中，g和h表示二阶局部群落中任意两个节点，d_gh为g和h两个节点之间的路径长度；

步骤五：计算二阶局部群落的连边密度：

D_ij＝SCS_ij/CN_ij；

步骤六：计算二阶局部群落系数：

${\mathrm{LCT}}_{ij}=K_{ij}/{\stackrel{\‾}{L}}_{ij}*D_{ij};$

步骤七：计算节点i，j的皮尔逊积矩相关系数：

$S_{ij}=\frac{{\Σ}_k(A_{ik}-\<A_i\>)(A_{jk}-\<A_j\>)}{\sqrt{{\Σ}_k{(A_{ik}-\<A_i\>)}^2}\sqrt{{\Σ}_k{(A_{jk}-\<A_j\>)}^2}};$

上式中，<A_i>表示邻接矩阵中第i行元素的均值其中n表示邻接矩阵A含n个节点；

步骤八：计算两个节点i，j之间的相似性分数指标：

HARP_ij＝LCT_ij*CN_ij*SCS_ij+λ*S_ij；

上式中，λ为可调参数；

步骤九：遍历网络，针对所有未直接连接的节点对，重复步骤二至步骤八，计算相应的HARP指标作为节点对之间的可能产生连边的评价指标，HARP指标越高，节点对之间越可能存在连边，将网络中所有的未直接相连的节点对之间的HARP指标按照由高到低的顺序排列，取前h个HARP指标对应的节点对为可能的预测连边，h≤H，其中H为网络中没有直接连边的节点对的总数。