[发明专利]一种基于自适应度惩罚和社区信息的预测网络连边的方法

摘要

一种基于自适应度惩罚和社区信息的预测网络连边的方法，建立网络模型,使用社区划分算法把网络划分为若干个社区，计算各个节点的聚类系数，计算网络的平均聚类系数，计算二者之间的相似性指标，根据节点间的连边是内部连边还是社区间的连边来反映社区信息的影响，将所有无连边节点对之间的相似性分数按降序排列，取前h个指标对应的两个节点为预测连边。本发明利用了共同邻居的最佳惩罚程度与网络集群系数之间存在关系，使用网络的平均聚类系数使度惩罚自适应，提取了社区信息，有效利用了网络的相关性信息，预测精度较高。

主权项

1.一种基于自适应度惩罚和社区信息的预测网络连边的方法，其特征在于：包括如下步骤：步骤一：构建具有N个节点的无向网络G(V,E),V为节点,E为连边，其邻接矩阵用表示，它是一个N×N的二维数组，若两个节点i和j之间存在连边则为1，反之为0；步骤二：使用社区划分算法把网络G划分为若干个社区，其中一个社区指的是网络中具有相似属性一类节点及其连边所构成的子网；步骤三：计算整个网络的平均聚类系数：其中，Cx是节点的聚类系数：其中Γ(x)为节点x的邻居集合，ey,z为节点x邻居间的连边步骤四：任意选取网络G中两个无连边的节点i和j，i和j之间的公共相邻节点称为它们的共同邻居，计算节点i，j间的相似性指标：其中k_z表示节点i，j共同邻居的度，一个节点的度指的是该节点的相连邻居节点的数量，α是一个参数，π_ij(t)表示i和j之间的转移概率，是指节点i到通过t步到达节点j的概率；π_i(t)＝P^Tπ_i(t‑1)，t≥0和π_i(0)＝e_x,e_x表示N×1向量，其中第i个元素为1，其他为0；P为一个N×N的转移概率矩阵，P^T表示矩阵P的转置；π_ji(t)表示j和i之间的转移概率，是指节点j到通过t步到达节点i的概率；π_j(t)＝P^Tπ_j(t‑1)，t≥0和π_j(0)＝e_x；t为步数的取值；步骤五：如果节点i，j属于同一个社区，则它们之间缺失的连边为内部连边，如果节点i，j在不同社区，则它们之间缺失的连边为社区间连边，步骤六：遍历网络，针对所有未直接相连的两个节点，重复步骤四至步骤五，计算相应的GDC指标作为节点对之间的可能产生连边的评价指标，GDC指标越高，节点对之间越可能存在连边，将网络中所有的未直接相连的节点对之间的GDC指标按照由高到低的顺序排列，取前h个GDC指标对应的节点对为可能的预测连边，h≤H，其中H为网络中没有直接连边的节点对的总数。