復雜網絡中基于模式的鏈接預測.pdf

1、復雜網絡中的鏈接預測一直以來都受到研究者們的關注，它通過分析已知網絡的信息，建立復雜的模型來預測網絡中未知的鏈接和未來可能產生的鏈接。鏈接預測對于探索以復雜網絡為模型的應用背后的規(guī)律有著極為重要的作用。傳統(tǒng)的鏈接預測主要針對于復雜網絡的拓撲結構，試圖通過已有的鏈接關系發(fā)現新的鏈接，從而探索網絡中隱含的知識。然而，傳統(tǒng)方法并未充分合理地利用復雜網絡中蘊含的豐富屬性信息，而屬性信息對于網絡中鏈接的形成具有重要的作用?；谝陨峡紤]，本文將復雜

2、網絡中的多維屬性信息與原有的鏈接預測模型進行結合，研究基于屬性的鏈接預測問題。
　　由于復雜網絡中大多數點對之間未鏈接，而未鏈接的點對作為不可信反例無法有效用于傳統(tǒng)預測模型中，因此本文利用PU學習思想（Positive and Unlabeled Learning），提出一種基于屬性的鏈接模式挖掘算法，該算法將未鏈接的點對以合理的方式引入訓練模型，從組合特征的角度挖掘鏈接模式，并設計D指標過濾具有區(qū)分力的鏈接模式，通過基于屬性的鏈

3、接模式從整體上刻畫網絡中鏈接形成的原因。同時針對鏈接預測問題，本文通過圖的聚集計算求解基于屬性的鏈接模式強度，并利用模式構造個性化概率轉移矩陣，從而建立基于鏈接模式的局部隨機游走模型(PBLRW)。本文提出的預測方法區(qū)別于傳統(tǒng)的隨機游走預測方法，以屬性特征作為依據，構建個性化的概率轉移矩陣，使得關系緊密的節(jié)點之間獲得更高的隨機游走概率，從而最終產生更為精確的預測效果。
　　本文分別在UCI數據集、政治博客(Political Bl

4、ogs)數據集和新浪微博數據集上進行了多組實驗，實驗結果表明:(1)本文提出的鏈接模式挖掘方法能夠挖掘并過濾出具有較強區(qū)分力的模式，這些模式對于類別具有明顯的區(qū)分能力，因此能夠很好地刻畫鏈接是否產生的內在原因;(2)本文提出的基于模式的鏈接預測模型，能夠充分利用屬性知識構造個性化的概率轉移矩陣，克服了傳統(tǒng)隨機游走模型中轉移概率固定的缺陷;(3)對于政治博客數據集和新浪微博數據集的實驗表明，本文提出的模型在各項綜合指標上均優(yōu)于傳統(tǒng)的鏈接預