[发明专利]一种融合多模体信息的有向网络链路预测方法

权利要求书

1.一种融合多模体信息的有向网络链路预测方法，其特征在于，包括如下步骤：

S1.通过原始有向网络数据构建初始网络，并获取不存在连边的节点对列表；

S2.随机选取初始网络数据中10％的连边作为测试集正样本，剩余90％的连边作为训练集，从不存在连边的节点对列表中选取与测试集正样本等大的连边集合作为测试集负样本；

S3.采用朴素贝叶斯模型算法获得初始网络中个体对应的角色函数值；

S4.从初始网络中的第一节点对开始，根据节点对的共同邻居，得到每一节点对所对应的共同邻居的角色函数R_w列表；

S5.从初始网络中的第一节点对开始，依次计算每对节点的共同邻居相似性指标CN,得到节点对的共同邻居数量；

S6.根据节点对的共同邻居数量和节点对所对应的共同邻居的角色函数得到节点对的r'_xy列表；

S7.根据单个模体r'_xy列表通过叠加的方式得到双模体的r_xy的列表；或者将不同的单个模体得到的r'_xy列表使用机器学习的方法XGBoost得到新的score列表。

2.根据权利要求1所述一种融合多模体信息的有向网络链路预测方法，其特征在于，使用XGBoost的方法计算所有模体之间的相关性，根据模体之间的相关性进行双模体链路预测的模体选择。

3.根据权利要求1所述一种融合多模体信息的有向网络链路预测方法，其特征在于，共同邻居相似性指标CN的计算方法为：针对无向无权网络，用Γ(a)表示节点a的邻居，Γ(b)表示节点b的邻居，则：

CN(a,b)＝|Γ(a)∩Γ(b)|

节点a和节点b的相似性指标等于节点a的邻居节点与节点b的邻居节点重叠数量，即节点a和节点b的共同邻居数量；

进而得出,针对有向无权网络，Γ(x)表示节点x指定方向上的的邻居，Γ(y)表示节点y指定方向上的的邻居；

Oxy＝|Γ(x)∩Γ(y)|

Oxy表示节点x指定方向上的的邻居与节点y指定方向上的邻居节点重叠数量。

4.根据权利要求1所述一种融合多模体信息的有向网络链路预测方法，其特征在于，角色函数R_w值的计算方法为：

V_w表示节点对(x,y)的所有共同邻居节点，公式中N_Δw是节点v_w的邻居中相互连接的节点对的数目，N_Λw是节点v_w的邻居中相互不连接的节点对的数目。

5.根据权利要求1所述一种融合多模体信息的有向网络链路预测方法，其特征在于，单个模体节点对的r'_xy列表值的计算方法为：

公式中其中M^F＝|V|(|V|-1)/2表示网络中所有可能存在的连边的数目，M＝|E^T|表示网络中真实存在的连边的数目，V为节点总数，E为网络中所有连边的集合。

6.根据权利要求5所述一种融合多模体信息的有向网络链路预测方法，其特征在于，双模体节点对的r_xy列表值的计算方法为：

其中，|O_1xy|表示节点x₁指定方向上的的邻居与节点y₁指定方向上的邻居节点重叠数量，|O_2xy|表示节点x₂指定方向上的的邻居与节点y₂指定方向上的邻居节点重叠数量，R_v表示其中一个模体的角色函数值，R_w表示另一个模体的角色函数值。