[发明专利]基于有向异构邻居的有向网络链路预测方法及装置

说明书

本发明属于复杂网络链路预测技术领域，特别涉及一种基于有向异构邻居的有向网络链路预测方法及装置，该方法包括输入数据集构建网络模型；统计网络中有向三元组异构体的连边概率；选取一对未连接的候选节点，计算两节点之间存在的共同邻居数目；计算两节点有向异构邻居指标相似分值；对所有未连接的节点对，计算对应的指标相似分值；按照指标相似分值降序排序，取前若干个分值对应的节点对视为预测连边。本发明利用CN指标思想，引入局部结构的连边方向，融合计算各异构邻居的分值，使其在有向网络中具有更好的预测效果。

技术领域

本发明属于复杂网络链路预测技术领域，特别涉及一种基于有向异构邻居的有向网络链路预测方法及装置，适用于多种类型真实有向网络中的连边预测问题，具体用于实现好友推荐、交通规划等领域。

背景技术

复杂网络是用来挖掘现实生活中真实网络内在机理的抽象化工具，其重要方向链路预测通过利用网络已知信息预测节点间的未知连接、未来连接或发现错误连接，在推荐系统、交通规划、网络重建分析等领域均具有重要应用。

现实世界中限于技术、人力、隐私属性等因素，大多数观察到的网络中缺失了大量信息，即网络数据通常是缺失的，过去十多年间，针对无向网络(如图2所示)提出了众多非常优秀的预测指标，基于相似性的指标因思想简洁效果出色，发展出多种预测方案，可分为局部相似性和全局相似性的预测方法。相似性思想认为网络中两节点相似程度越高，节点间产生连边的几率越大。代表性的相似性指标包括CN(Common Neighbors)、AA(Adamic-Adar)、RA(Resource Allocation)、LP(Local Path)、Katz等。这些方案利用节点间共同邻居、节点度、节点路径等信息进行预测，在无向网络中有出色的预测效果。

然而，真实网络节点间并非简单的无向连边，其方向性具有更重要的含义，如社交网络的单向关注关系、自然生物的食物链关系、论文之间的引用关系等，其连边方向具有不可逆的特性。现有方案将有向网络视为无向网络，进而应用无向指标进行预测，极大的降低了预测效果。

发明内容

针对现有基于局部相似性指标忽略网络连边方向信息，在有向网络中效果较差的问题，本发明提出了一种基于有向异构邻居的有向网络链路预测方法及装置，利用CN指标思想，引入局部结构的连边方向，融合计算各异构邻居的分值，使其在有向网络中具有更好的预测效果。

为解决上述技术问题，本发明采用以下的技术方案：

本发明提供了一种基于有向异构邻居的有向网络链路预测方法，其特征在于，包括如下步骤：

步骤1，输入数据集构建网络模型；

步骤2，统计网络中有向三元组异构体的连边概率；

步骤3，选取一对未连接的候选节点，计算两节点之间存在的共同邻居数目；

步骤4，根据步骤2和步骤3，计算两节点有向异构邻居指标相似分值；

步骤5，对所有未连接的节点对，重复步骤3和步骤4，计算对应的指标相似分值；

步骤6，按照指标相似分值降序排序，取前若干个分值对应的节点对视为预测连边。

进一步地，步骤1构建网络模型G(V,E)，并以邻接矩阵A来表示网络连边状态，a_ij＝1表示网络存在i→j的单向连边。

进一步地，通过邻接矩阵A统计网络中九种有向三元组异构体的连边概率p_k，过程如下：

步骤201，网络中节点的一阶邻居依次计算如下，互惠邻居为Γ_bila(x)＝A*A^T，出度邻居为Γ_out(x)＝A-(A*A^T)，入度邻居为Γ_in(x)＝A^T-(A*A^T)；