[发明专利]基于路径信息和节点信息融合的社交网络好友推荐方法

说明书

本发明公开了基于路径信息和节点信息融合的社交网络好友推荐方法，链接预测是根据现有网络拓扑结构和节点属性信息等去预测两点间存在连接可能性的大小。现有的大部分节点相似性算法只考虑了共同邻居节点的信息，即路径长度为2的拓扑结构，没有考虑路径长度和节点信息的融合，根据六度分割理论和复杂网络小世界性，大多数复杂网络的两节点间都存在一条相当短的路径，针对这些不足，本发明提出一种基于路径的融合节点信息的相似性的好友推荐算法，通过在社交网络Facebook的实验，比较分析了本发明算法与传统节点相似性算法的准确性，证实了该算法的可用性。

技术领域

本发明属于复杂网络链路预测领域。具体是引入路径信息和节点信息的融合的节点相似性算法用在社交网络好友推荐中的一种新方法。

背景技术

复杂网络指的是节点间连接结构复杂，节点数量大的网络。复杂网络具有自组织、自相似、吸引子、小世界、无标度等特性。在现实生活中，许多系统都可以被描述为复杂网络，如电力网络，交通运输网络，生物网络，文献引用网络，社交网络等都可以从复杂网络的角度和方法来描述。这样可以更准确地分析现实生活中的网络结构和结构演化。

链接预测问题是复杂网络研究方向之一，它是利用已知网络信息(节点及其拓扑结构)预测可能发生的链接。链接预测包括两方面内容：(1)此刻不存在但未来可能发生的链接(2)此刻已存在但由于数据不完整而未被识别的链接。当前的研究方法主要有以下几种：(1)基于有监督学习的分类模型，如决策树、朴素贝叶斯、神经网络、SVM、KNN以及集成方法中的bagging、boosting和随机森林等。把链接预测问题转换为二分类问题，有链接为1，无链接为0，训练一个二分类器。(2)基于相似性的链路预测，又细分为基于局部信息的相似性指标、基于路径的相似性、基于随机游走的相似性指标。(3)基于最大似然估计的链路预测，又细分为层次结构模型和随机分块模型。(4)概率模型。

链接预测可以被应用在生物学研究领域，通过已存在的分子结构预测一些潜在链接结构，同时，链接预测也被广泛应用在社交网络的好友关系推荐(如新浪微博、人人网、腾讯好友的好友关系预测)、推荐系统等领域中，本发明将其应用在好友关系预测上，将可能是朋友的用户发送给当前用户，如推荐准确，显然可以提升网站在用户心目中的地位。

现有的链接预测方法中，多数基于节点相似性，这是一种最早被提出且简单有效的方法，其中，共同邻居(CN)是一种最常用的算法，计算共同邻居节点个数；如有一些方法考虑了对两个节点各自共同邻居的集合进行操作，引入了余弦相似度提出了SALTON指标，其它常用基于节点相似性的测量方法如表1所示：

表1节点相似性

发明内容

现有的大部分节点相似性算法只考虑了共同邻居节点的信息，即路径长度为2的拓扑结构，没有考虑路径长度和节点信息的融合，为了保持基于节点相似性链接预测算法的快捷有效的特性，并对针对这些不足，本发明提出一种基于路径的融合节点信息的相似性的链接预测算法(Path with pagerank Attraction index,PPA)。

本发明采用的技术方案如下：

本发明采用的技术方案为基于路径信息和节点信息融合的社交网络好友推荐方法，现有的大部分节点相似性算法只考虑了共同邻居节点的信息，即路径长度为2的拓扑结构，没有考虑路径长度和节点信息的融合，根据六度分割理论和复杂网络小世界性，大多数复杂网络的两节点间都存在一条相当短的路径，针对这些不足，本发明提出一种基于路径的融合节点信息的相似性的链接预测算法。

基于路径的融合节点信息的相似性的链接预测算法，其特征包括以下步骤：

S1对网络结构中节点和链接进行表示，方法如下：