基于网络嵌入和关联相似性的链路预测算法

发布时间：2021-06-06 01:49

　　链路预测作为复杂网络分析的一个重要分支,在不同领域中有着广泛的应用,而且通过进一步提取网络结构信息可以提高链路预测的精度。提出了一种基于结构深度网络嵌入和关联相似性的链路预测算法（Structural Deep Correlation Similarity Network Embedding,SDCSNE）。SDCSNE算法结合了网络嵌入捕捉高维非线性网络结构的特征,将网络映射到向量空间中,这些映射向量的内积即为对应节点的相似性,并保持了全局和局部的网络结构,获得了更加稳定的网络结构信息;SDCSNE算法还融入了节点的关联性,以提高预测的准确性。实际结果表明,在链路预测任务中,SDCSNE算法具有良好的性能。 

【文章来源】：计算技术与自动化. 2020,39(02)

【文章页数】：5 页

【部分图文】：

SDNE模型[11]

首先，对网络GR-QC随机隐藏了15%的链路，并使用@p作为评价指标。图2显示了k值逐步从2增加到1000，对预测精度的影响。当k小于等于500时，精度随着迭代次数的增加始终保持在90%以上，反之，精度低于80%。k值的变化对预测精度的影响如图2所示。接着，使用三个网络GR-QC、PPI、PB网络进行测试，这三个网络按稀疏程度排序。训练结果如表1。发现网络越稀疏，该算法的预测精度越低，但当k为小于等于100时，预测精度依旧在70%以上。对于此算法，对于一般的网络都可以得到较好的效果，但对稀疏网络在一定条件下才会有不错的效果。链路预测的精度与@P有不可或缺的影响。

【参考文献】：
期刊论文
[1]基于度和聚类系数的中国航空网络重要性节点分析[J]. 闫玲玲,陈增强,张青.  智能系统学报. 2016(05)
[2]基于频繁闭图关联规则的AS级Internet链路预测方法[J]. 张岩庆,陆余良,杨国正.  计算机科学. 2016(S1)



本文编号：3213342