[发明专利]一种利用网络拓扑特性构建加权网络的链路预测方法

说明书

本发明公开了一种利用网络拓扑特性构建加权网络的链路预测方法，可用于研究复杂网络中边的拓扑权重对链路预测精度的影响。其实现步骤为：根据输入的数据集构建网络，计算网络中每条边的聚类特性,其大小用JC(esubgt;xy/subgt;)来衡量和扩散特性，其大小用KD(esubgt;xy/subgt;)来衡量。一条边的聚类特性是指以这条边形成三角形的数目，一条边的扩散特性是指这条边的两个节点x,y的邻居节点集合中去除节点x,y后不能和这条边构成三角形的节点的集合，反应一条边的扩散能力。综合定义边的聚类和扩散特性CD(esubgt;xy/subgt;)，并将其作为边的拓扑权重。把拓扑权重的值带入WCN,WAA,WRA和WLP中，生成新的相似性指标WCD‑CN，WCD‑AA，WCD‑RA和WCD‑LP。根据公式计算被预测节点对x,y的相似度分数Ssubgt;xy/subgt;，最后计算出各个指标的AUC值。

技术领域

本发明涉及一种复杂网络中的链路预测，尤其是一种利用网络拓扑特性构建加权网络的链路预测方法，属于网络信息挖掘技术领域。

背景技术

复杂网络中的链路预测问题越来越受到各个领域的关注。链路预测是指预测网络中缺失的链接或者将来可能出现的链接，它可用于提取缺失信息，识别虚假交互，评估网络演化机制，帮助提高生物实验的效率，微博中的关注对象推荐，商品推荐系统中为其推荐满意的商品等。目前复杂网络链路预测已经取得了很多成果。链路预测算法主要分为四类：基于节点属性相似性的方法、基于网络结构的方法、基于最大似然估计的方法和机器学习方法。其中基于网络结构相似性的方法因其计算复杂度低，精度高，受到广泛的关注。Gao等人提出了一种结合节点度和节点聚类系数的链路预测算法，充分利用了网络局部结构信息，还体现出了共同邻居节点之间的差异性。Fan等人将共同邻居节点的聚类系数归一化后的平均值考虑在内，提高了链路预测的精度。

随着复杂网络研究的深入，一些简单的无向无权网络已经不能涵盖网络的大部分特征，在真实网络中链接大部分都是带有权重的，Murata等人首次将网络中连边的权重考虑在内，提出加权的相似性指标，实验证明，链接权重在链路预测的过程中起到了积极作用。Qian等人提出WFR算法，利用真实社交网络好友推荐策略，在FR算法的基础上，增加了可以有效区分候选节点与中介节点的权重，预测效果优于FR算法。Chen等人提出一种改进的加权网络链接预测方法，该方法基于这一假设：当链接xz为强关系而链接zy为弱关系时，链路x,z,y对节点x和y之间形成链接的贡献最低，该方法在AUC指标上具有一定的优势。

然而现有的加权网络链路预测方法大都根据网络中链接的自然权重进行研究，考虑到一些网络权重信息很难获取，即使获取也通常伴随着噪音，使得链路预测水平提升较小。

发明内容

该方法考虑网络中边的聚类和扩散两大特性，并将其设置为网络中边的拓扑权重值，基于WCN,WAA,WRA,WLP这四个局部结构相似性指标，提出了一种新的链路预测方法。在四个权威数据集上进行实验，仿真结果表明，提出的预测方法使预测精度明显提升。

一种利用网络拓扑特性构建加权网络的链路预测方法，包括以下步骤：

步骤1)，将输入的数据集转换成相应的网络的邻接矩阵；

步骤2)，计算网络中每条边的聚类特性JC(e_xy)和扩散特性KD(e_xy)，其中JC(e_xy)＝|{△_xyk:△_xyk∈△_G}|,式中△_xyk表示以x,y,k为顶点组成的三角形，△_G表示网络中所有的三角形构成的集合，JC(e_xy)表示以节点x,y为顶点组成三角形的数目。其中Γ(x,y)表示节点x,y的邻居节点集合，Γ(x,y)\x,y表示节点x,y的邻居节点集合中去除节点x,y后构成的集合，指在集合Γ(x,y)\x,y中不能和节点x,y构成三角形的节点的集合；