基于模体演化的社交网络动态链路预测方法研究

发布时间：2024-12-11 04:21

　　复杂网络的研究具有巨大的现实意义,能够帮助理解社交网络、生物网络、交通网络等各种复杂系统形成的网络的演化。链路预测是复杂网络与数据挖掘相交叉的一个研究领域,主要研究复杂网络中的节点相互产生连边的可能。链路预测对于复杂网络的演化研究具有重要的价值,并且在实际中也非常具有应用价值,例如进行好友推荐以及指导蛋白质交互网络的研究等。目前链路预测研究中较少利用网络的时间演化信息,而且多数是针对无向网络进行研究,并且很少有关注网络的微观子结构的演化。而现实中的网络大多是有向并且随着时间推移进行演化的。所以本文对生活中最常见,最容易接触到的有向动态社交网络进行链路预测研究。模体这个概念最初来源于生物领域,表示网络中的基本功能子结构,将其应用到链路预测中来,可以对复杂网络中最小的功能子结构既三元组模体进行研究。此外,复杂网络,特别是社交网络大多都会有社区结构,这是在长时间的演化中自然形成的。在网络中,同一个社区之中的节点之间相互连接更加紧密,而不同社区之间的节点连接较为稀疏。为解决上述几个问题,本文做了如下几个方面的工作:第一,本文提出一种有向动态社交网络中的链路预测方法,该方法关注三元组模体的动态演化...

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图2.1静态链路预测

所以全集U应为90条边，有80条不存在的边。如图2.1(b)选出10条存在的边中的3条作为测试集，另外7条作为训练集，那么就有83条未知边。给定某种链路预测算法，赋予83条未知边一个分数值，其中包括80条不存在的边和3条测试边。将这些边按照分数....

图2.2动态网络链路预测

t1时刻有3条边，t2时刻有4条边，t3时刻有3条边。先将样本网络划分为三个时间片，分别为图2.2(b)t1时间片，图2.2(c)t2时间片，图2.2(d)t3时间片。将t3时间片作为测试集，测试集边数为3，所以未知边数为83。使用时序链路预测....

图2.4模体转换

3-1024-021D5-021U6-02111-20112-120D13-120U14-12图2.3有向网络中的16种三元组模体的演化中有着重要的作用，本文率来进行链路预测。att+1t

图3.1共同邻居

图3.1共同邻居邻居的度信息，著名的Adamic-A考虑范围。AA指标可以表示如=∑()∩()共同邻居的度数，Γ()与Γ()分同邻居。由式(3.2)可以看出，对于点对连边可能性的贡献就越小。明星必然在社交网络中具有很高是如果两个人同时关注了一个并比较....

本文编号：4016180