[发明专利]一种面向复杂网络的时序链路预测方法

说明书

本发明公开了一种面向复杂网络的时序链路预测方法，该方法主要针对社交、邮件、科研等节点之间有交互行为的网络，利用节点之间的交互发生的时间以及频次预测将来可能发生的交互行为。通过网络的演化信息，进行较高精度的链路预测，并基于整体同步并行计算模型设计本发明的核心步骤。本发明预测方法具有很好的普适性，可以适用于多种社会网络中的时序链路预测；而且本发明预测方法具有良好的可扩展性，可以适用于分布式环境中的时序链路预测。

技术领域

本发明涉及一种面向复杂网络的时序链路预测方法，属于复杂网络中时序链路预测技术领域。

背景技术

目前主流的链路预测算法是基于网络的上一时刻的网络拓扑结构，然后根据一些节点相似指标，例如共同邻居指标、资源分配指标等等，计算得到节点之间的相似度，然后根据相似度阈值确定下一时刻链路的出现情况。不同于现有的主流预测算法，利用网络过去一段时间内的网络演化信息来预测未来的网络拓扑结构是一个较新的研究方向，这类预测方法更加符合现实中的网络具有动态特性的真实情况，往往具有较优的链路预测精度。此外，目前的链路预测算法主要基于矩阵计算的方式实现相似度计算，该方法在单机情况下计算简便，但是不适用于分布式环境。基于整体同步并行计算(BSP)模型设计算法的计算架构可使得算法运行于主流的分布式数据处理平台，从而提高算法的扩展性。

链路预测算法的性能指标包括准确率、AUC等等。其中，准确率是算法的预测精度的直观展现，AUC是对算法预测效果的整体考量。一些仅基于上一时刻网络拓扑结构的链路预测算法在网络平稳演化的时候能够具有良好的预测精度，不过现实中的网络往往会因为一些原因产生大幅波动，将导致预测精度大幅下降。还有一些链路预测算法利用网络中的文本语义信息来改进链路预测精度，但是由于不同的网络中文本语义差别比较大，而且文本信息存在难获取、难以保证正确性等问题，所以利用文本语义的链路预测算法不具有普适性且不能保证一定改进链路预测效果。此外大多数的链路预测算法仅仅考虑“有没有关系”而忽略了节点之间的链路往往是有紧密和疏远之分，忽略这一层信息也会使得链路预测的精度下降。

可见，网络的动态性和承载的信息的复杂性是链路预测技术面临的重大挑战，特别是现今社交网络的快速发展，各类社会网络承载的信息出现爆炸性增长，且网络的演化速度加快，对于一种适应于这类应用场景且具有良好扩展性的链路预测算法的需求十分迫切。

发明内容

本发明所要解决的技术问题是：提供一种面向复杂网络的时序链路预测方法，该方法能够利用大规模的、具有动态特性的复杂网络中的动态演化信息进行时序链路预测，并具有良好的扩展性。

本发明为解决上述技术问题采用以下技术方案：

一种面向复杂网络的时序链路预测方法，包括如下步骤：

步骤1，对网络中所有出现过的节点进行编号，并将编号作为节点自身的id，每个节点的编号唯一；

步骤2，获取预测时刻过去一段时间内，网络中所有节点之间的交互行为以及每次交互行为发生的时间；

步骤3，将步骤2所述过去一段时间划分为多个时间片，并将每个交互行为划分到对应的时间片中，每个交互行为生成一个链路，链路的端点分别为交互的两个节点，且链路为无向边；

步骤4，统计每个时间片内相同链路的出现次数，作为该链路的权重，利用每个时间片内所有带权重的链路形成一个对应于该时间片的带权网络，最终得到带权网络序列；

步骤5，对带权网络序列进行压缩，压缩过程为：从带权网络序列中取出所有相同链路以及链路的权重信息，根据设定的时序影响系数δ计算压缩后链路的时序权重，计算公式为：