基于影响力属性及时序的链路预测算法研究

发布时间：2020-05-13 08:05

【摘要】：链路预测是复杂网络与信息科技之间的桥梁,它可以有效恢复缺失链接和预测即将出现的链接。在复杂网络中,链路预测可以利用节点的属性信息和网络结构来探讨链接的存在性,凭借其广泛的实际应用而获得学术界的关注。链路预测的研究具有很好的学术意义和应用价值,可以应用于社会犯罪监控、网络舆情分析和细胞相互作用等多个领域。现有的链路预测方法往往忽略网络的时序变化给预测带来的影响,本文将时间序列模型应用到链路预测算法中,并针对科学合作网中的合作关系对某些特定属性敏感的网络,提出了基于影响力属性及时序的链路预测算法,论文的主要工作如下:首先,将时间序列运用到基于节点局部信息的相似性链路预测算法中,针对局部相似度算法仅考虑节点间的局部信息而忽略节点自身之间是否连接过的问题,优化了节点相似度计算方法。将网络结构按照时间信息进行时间片划分,把时间序列模型运用到链路预测问题进行相似度预测。其次,提出了基于影响力属性的链路预测算法。考虑到基于节点局部信息的相似度计算方法对于局部信息匮乏的节点没有较好的区分度,本文通过给节点属性先赋予不同的影响力值再进行属性相似度计算的方式,更好的区分属性间的相似度,该算法通过这种在元路径中加入属性对象影响力的方法使得属性相似度区分更加明显。最后,本文结合时序和影响力属性两者信息提出了基于影响力属性及时序的链路预测算法,提升链路预测的性能。该算法对高能物理合作网的合作关系进行了验证,通过与基线方法的实验比较分析表明该算法具有较好的性能。
【图文】：

示意图,神经网络,示意图,星形网络

神经网络示意图

属性,对象,邮件,情况

图 5.1 1992 年 1 月至 2003 年 6 月论文提交情况Fig. 5.1 Paper submission from January 1992 to June 2003② 数据集属性对象信息该高能物理合作网包含42000多个对象，超过500000个链接，39种对象属性，15 种链接属性，对象属性主要分为四种：Journal(杂志)，Paper（论文），Author（作者），，Email_Domain(邮件)，其中邮件对象本文研究不涉及。链接属性主要分为五种关系：publish_in(出版)，Authored(合作)，Cites(引用), Email_affil(邮件)，本文研究不涉及引用、邮件关系。属性对象与链接存在关系可由图 5.2 看出：属性对象Paper 与 Paper 存在 cits 关系，属性对象 Paper 与 Journal 存在 Publishd_in 关系，属性对象 Author 与 Author 存在 Co-Authord 关系，属性对象 Author 与 Email_Domain存在 Email_affil 关系，属性对象 Paper 与 Paper 存在 Cites 关系。JournalPaperPublished_inCites
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：O157.5

【参考文献】