基于改进相似度的社会网络链接预测研究

发布时间：2017-12-02 00:21

  本文关键词：基于改进相似度的社会网络链接预测研究

  更多相关文章： 链接预测 相似度 朴素贝叶斯 TAN 加权网络

【摘要】：链接预测是社会网络分析领域的热点问题,它通过对网络已知结构分析,预测两个不相连节点发生链接的可能性。目前,绝大多数的链接预测模型都是基于网络特征构建,该类模型通过挖掘拓扑结构特征,计算节点间的相似度,判断链接是否存在,其中具有代表性的有基于共邻节点信息方法,如CN(Common Neighbors)、AA(Admic Adar)、RA(Resource Allocation)等。但是该类算法主要利用共邻节点及节点度的网络结构信息,不能全面反映社会网络的复杂结构。此外,基于朴素贝叶斯(Local Na?ve Bayesian,简称LNB)模型构建的链接预测算法具有较好的预测效果。但是该算法有两个不足:(1)基于独立性假设而建立,而这一假设在实际中往往是不成立的;(2)基于无权网络,忽略社会网络边权这一属性。根据以上三个问题,文章开展了对社会网络链接预测算法的研究,主要工作和创新点如下:首先,为了更深入地挖掘网络内部结构属性,文章第三章在经典算法CN基础上加入了社区划分的概念构建相似度算法,将网络节点划分到不同的社区,差分化处理共邻节点的角色以及贡献。同时,推广该算法到Jaccard之中,并在人工数据集、真实数据集的实验分析中表明:改进算法优于经典算法。然后,针对LNB模型的缺陷一,本文第四章中引入了一种树状贝叶斯分类模型(Tree Augmented Na?ve,简称TAN),放松了贝叶斯分类器中的独立性假设,同时结合信息熵概念,在CN算法基础上获取了共邻节点对的联合贡献,提出了算法TAN_CN。接着,又将TAN模型拓展到AA、RA中构建算法TAN_AA、TAN_RA。在不同的真实数据集中进行实验,与经典算法、LNB模型下算法相比得出:TAN模型下算法更优。最后,针对LNB模型的缺陷二,第五章将链接预测问题的研究由无权网络拓展到了加权网络,并提出了基于WLNB(Weighted_LNB)模型的CN、AA、RA算法。该算法在计算预测节点对共邻节点的贡献时,引入了加权凝聚系数,反映了共邻节点的边权结构属性对相似度的影响,其精度也得到了提高。本章最后将该算法运用到了无权网络中,实现了加权算法在加权、无权网络的自由切换。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP393.02

【参考文献】

中国期刊全文数据库 前5条

1 东昱晓;柯庆;吴斌;;基于节点相似性的链接预测[J];计算机科学;2011年07期

2 杨s，

本文编号：1242991