[发明专利]一种基于KNN的有效链路预测方法

权利要求书

1.一种基于KNN的有效链路预测方法，其特征在于：主要包括依次进行的以下步骤，

步骤1：在网络中选取测试集和训练集，其中训练集分为有边训练集和无边训练集，选取网络中至少一个重要特征，对训练集中的节点对分别构造特征向量；

步骤2：每给出一个测试节点对时，对测试节点对构造相同的特征向量，并分别计算与两个训练集中节点对的向量距离，取距离最小的前K组节点对，生成中心特征向量；

步骤3：分别计算测试节点对与有边节点对中心特征向量及无边节点对中心特征向量的距离；

步骤4：运用TOPSIS方法，得到测试节点对有边可能性分数。

2.根据权利要求1所述的一种基于KNN的有效链路预测方法，其特征在于：所述步骤1中选取的重要特征为五个，分别是两个节点的共同邻居的数量CN、基于资源分配的思想而提出的链路预测相似性指标RA、一条边连接到一个节点的概率正比于该节点的度PA、共同邻居CN的基础上考虑两端节点度的影响JC、两节点路径长度为3的路径个数3-hop。

3.根据权利要求2所述的一种基于KNN的有效链路预测方法，其特征在于：假设网络中的两个节点为v_i和v_j，v_i通过它们的共同邻居向v_j传递资源，k_i、K_j分别是节点v_i、v_j的度，k_z是节点v_i、v_j的共同邻居节点z的度，则所述CN、RA、PA、JC和3-hop分别表示为：

Sim_CN(v_i,v_j)＝|Γ(v_i)∩Γ(v_j)| (1)

4.根据权利要求2或3所述的一种基于KNN的有效链路预测方法，其特征在于：基于CN、RA、PA、JC和3-hop五个重要特征，所述的一种基于KNN的有效链路预测方法主要包括依次进行的以下步骤，

步骤1-1：将复杂网络选取测试集E_p、有边训练集E_t和无边训练集对测试集E_p和训练集E_t、中的每一个节点对求由CN、RA、PA,JC和3-hop五种局部指标构成的特征向量；

步骤2-1：对测试集E_p中的每一条边，分别与训练集E_t、的每一条边计算特征向量的欧氏距离，分别取出距离最小的前K个节点对作为K近邻节点对；

步骤3-1：对2组K近邻节点对的特征向量分别计算其K近邻中心节点对特征向量，而后分别计算当前测试节点对与2个中心节点对特征向量的欧式距离，分别记为d⁺,d^-。

步骤4-1：由TOPSIS方法的启发，将最终的相似性分数定义为Sim(u.v)＝d⁺/(d⁺+d^-)，对测试集E_p中每一个节点对分别计算其相似性分数，得到最终的分数排名，分数越大，该测试节点对有边的可能性就越高。