基于网络结构的复杂网络链路预测算法研究

发布时间：2020-03-26 01:59

【摘要】：现实世界中,存在着许许多多的复杂系统,如交通、生物以及信息系统等等,这些复杂系统可以用网络来进行描述。系统中的个体可以用网络中的节点来表示,而个体之间的交互关系或者联系用连边来表示。复杂网络会随着时间进行演化,同样其中所蕴含的信息也会不断变化。而网络中的连边作为个体之间交互信息的载体,对其进行挖掘与研究显得非常必要。链路预测就是一种挖掘网络连边信息的重要手段,它不仅可以挖掘出网络中未知的隐含信息,也可以发现一些缺失信息,是对网络不完整性进行补全的一种手段。随着链路预测问题研究的不断深入,多种类型的算法被提出。其中,基于相似性的链路预测方法受到越来越多的关注。该方法的一个关键问题就是如何来定义节点之间的相似性。通常可以将拓扑网络中的各种信息融合在一起来定义节点之间的相似性,其中最重要的信息是节点属性和网络结构。使用节点属性信息有较高的预测精度,但是收集这些信息是不易的,即使可以获得节点属性信息,从这些复杂的信息中鉴别出哪些信息对预测有用处也是较为困难的事。相对的,网络结构信息获取简单且容易筛选。并且,基于网络结构的链路预测方法具有普遍适用性。然而,现阶段对基于网络结构的链路预测算法研究还不够深入,对哪种网络结构对连边有影响的挖掘还不充分。基于此,本文利用网络结构定义了 2种计算节点相似性的方法,提出2种新的链路预测算法。主要工作与贡献如下:1.在实际网络中,由于网络局部拓扑结构是不同的并且不同的节点自身属性也具有差异性,每个节点所代表的影响力是不同的,相应的对连边产生的贡献度也是不同的。还有共同邻居节点之间连接的紧密度一定程度上反映了节点自身所在的局部子网络的紧密程度,这也可能影响子网络中节点之间的连边。因此,本文定义了共同邻居节点的贡献度以及共同邻居之间的链接紧密度,将两者结合提出一种新的链路预测算法,简称LDNC(Link Density and Node Contribution)算法。将该算法在9个真实数据集上进行了实验,用AUC和Precision评价指标和五个算法进行了对比,结果表明LDNC算法是十分有效的。2.由于每个节点或每条路径在网络中所处位置的不同,它们对于网络其他部分的影响也是各不相同的。体现在链路预测中,就是不同的节点和路径对网络中的节点对是否产生连边影响力是不同的。这个影响力我们用节点和路径的权重来表示。基于此,本文给出了新的计算节点权重和路径权重的方法,并将两者结合在一起,提出一种新的链路预测算法,简称CPNW(combining paths weight and nodes weight)算法。将该算法在9个真实数据集上进行了实验,得出相似性分数矩阵,用AUC和Precision评价指标和6个算法进行对比,结果显示CPNW算法准确度较高,证明该算法有效。
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：O157.5

【相似文献】

相关期刊论文 前10条

1 宋晓样 郭 艳 李 宁 王 萌;基于压缩感知的时间序列缺失数据预测算法[J];计算机科学;2019年06期

2 雷方元;蔡君;;基于社团特性的链路预测算法的研究[J];广东技术师范学院学报;2015年02期

3 阳敏辉;;浅析几种基本路段行程时间预测算法[J];青春岁月;2017年01期

4 陶陶;;点击科学[J];中国科技教育;2017年03期

5 黄子轩;马超;徐瑾辉;黄江楠;;复杂网络中集聚系数对链路预测算法的影响[J];科技视界;2014年12期

6 郭景峰;代军丽;马鑫;王娟;;针对通信社会网络的时间序列链接预测算法[J];计算机科学与探索;2010年06期

7 张宇;潘国腾;谢伦国;;一种基于人工神经元网络的条件分支预测算法[J];华中科技大学学报(自然科学版);2005年S1期

8 杨旭华;凌非;;一种基于局部社团和全局信息的链路预测算法[J];浙江工业大学学报;2017年01期

9 陆诚;杨威;;改进的广义预测算法在过热气温控制中的应用[J];工业控制计算机;2013年11期

10 杨断利;张立梅;籍颖;吕晶;;河北省风能特征及其对风速预测算法的改进[J];科技传播;2013年06期

相关会议论文 前10条

1 朱斌;樊祥;马东辉;程正东;;窗口大小和权值模板对固定权值背景预测算法的影响[A];2006年全国光电技术学术交流会会议文集（D 光电信息处理技术专题）[C];2006年

2 郭景峰;代军丽;马鑫;王娟;;针对通信社会网络的时间序列链接预测算法[A];第26届中国数据库学术会议论文集（A辑）[C];2009年

3 王云鹏;赵海;司帅宗;王翠荣;;基于邻居修正的随机游走链路预测算法[A];第十二届沈阳科学学术年会论文集（理工农医）[C];2015年

4 王峰;姬冰辉;李斗;;一种基于混沌理论的自相似业务流预测算法研究[A];2006北京地区高校研究生学术交流会——通信与信息技术会议论文集（上）[C];2006年

5 陈娜;戴树岭;;基于模型的遥操作预测算法研究[A];'2006系统仿真技术及其应用学术交流会论文集[C];2006年

6 张利萍;李宏光;;改进的灰色预测算法在工业应用中的评价[A];第二届全国信息获取与处理学术会议论文集[C];2004年

7 钱正祥;徐华;张申浩;;数字信号序列的向量预测算法[A];第三届全国信息获取与处理学术会议论文集[C];2005年

8 崔冬;;一种改进的LRP信道预测算法[A];2006通信理论与技术新进展——第十一届全国青年通信学术会议论文集[C];2006年

9 梁适春;张晓冬;林培峰;牛萌;;一种混合储能光伏发电系统的功率预测算法[A];中国电工技术学会学术年会——新能源发电技术论坛论文集[C];2013年

10 路迎晨;李兵;;一类自适应预测算法的全局收敛性[A];04'中国企业自动化和信息化建设论坛暨中南六省区自动化学会学术年会专辑[C];2004年

相关重要报纸文章 前1条

1 麦芸编译;体内“天书”待解读[N];医药经济报;2002年

相关博士学位论文 前10条

1 陈其松;智能优化支持向量机预测算法及应用研究[D];贵州大学;2009年

2 卜云;混沌时间序列自适应预测算法研究[D];电子科技大学;2010年

3 马玉韬;基于滤波理论和特征统计的蛋白质编码区预测算法研究[D];天津大学;2013年

4 鲍漪澜;基于支持向量机的金融时间序列分析预测算法研究[D];大连海事大学;2013年

5 李楠;基于火焰自由基成像的NO_x排放预测算法研究[D];华北电力大学(北京);2017年

6 刘辉;铁路沿线风信号智能预测算法研究[D];中南大学;2011年

7 张千明;复杂网络结构分析与链路预测[D];电子科技大学;2016年

8 刘辉;miRNA靶标预测的系统生物学方法研究[D];中国矿业大学;2009年

9 刘晓娟;基于智能方法的电力系统负荷预测模型及其应用研究[D];东华大学;2014年

10 玄萍;MicroRNA识别及其与疾病关联的预测算法研究[D];哈尔滨工业大学;2012年

相关硕士学位论文 前10条

1 张红;链路预测算法的研究[D];黑龙江大学;2018年

2 周超;基于机器学习的感知信号分类与预测方法研究[D];电子科技大学;2018年

3 王鑫;基于网络结构的复杂网络链路预测算法研究[D];安徽大学;2018年

4 黄聪;基于多信息融合的miRNA-target调控关系预测算法研究[D];湖南大学;2017年

5 艾刘可;形态特征计算的时序自回归股市预测算法[D];合肥工业大学;2017年

6 郭华东;基于线性回归与马尔科夫链相结合的云资源监控预测算法研究与实现[D];浙江大学;2017年

7 瞿宜楚;基于群智感知的用户移动预测算法及应用[D];福州大学;2016年

8 陈嘉颖;基于社交网络节点特性的链路预测算法研究[D];新疆大学;2017年

9 王亮;链接预测算法及应用[D];湘潭大学;2013年

10 孙兆君;可穿戴助力机器人传感器信号预测算法和控制器的设计[D];中国科学技术大学;2009年

，

本文编号：2600777