基于节点重构思想的链路预测算法研究

发布时间：2021-03-30 05:34

　　现实生活中许许多多的复杂系统可以用网络加以描述。系统中的个体用网络节点表示,个体之间的联系和交互关系用连接边表示。一方面,由于采集成本、采集难度等因素,网络的结构信息往往是不完整的,因而存在未知链接。另一方面,绝大多数的网络都是动态的,会随着时间进行演化,产生新的连接边,称为未来链接。链路预测是一项挖掘网络信息的研究工作,它根据观察到的网络结构信息来预测网络的缺失链接（包含未知链接与未来链接）。链路预测问题不仅能帮助我们理解网络的演化机制,还能发掘网络中未知的、有价值的知识,因而具有重要的理论研究意义和应用价值。目前,基于相似性的链路预测算法通常只关注两个节点之间的相似性,没有做好相似度的分配工作。而“相近节点”和“热门节点”的存在,会使得高相似度节点之间包含大量的冗余信息,从而影响预测效果。针对信息冗余问题,本文提出了线性重构的方法计算相似度。首先,以节点的代数近邻作为线性重构的基,即通过节点的代数近邻去解释它的连边情况,以重构系数作为节点相似度。实验结果表明,虽然代数近邻是通过共同邻居指标筛选出来的,但经过线性重构的方法重新计算相似度后,其效果远远优于共同邻居指标,从而证实了线性重... 

【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 国内外研究现状
    1.4 论文的组织结构
2 链路预测问题概述及预备知识
    2.1 复杂网络基本概念
    2.2 网络的拓扑特征
    2.3 链路预测的问题描述及评价方法
        2.3.1 问题描述
        2.3.2 评价方法
    2.4 基于相似性的链路预测算法
        2.4.1 基于局部信息的相似性指标
        2.4.2 基于路径的相似性指标
        2.4.3 基于随机游走的相似性指标
    2.5 基于似然分析的链路预测算法
    2.6 基于结构微扰和矩阵分解的链路预测算法
        2.6.1 结构微扰模型
        2.6.2 LR矩阵分解法
        2.6.3 非负矩阵分解法
        2.6.4 核非负矩阵分解法
    2.7 本章小结
3 基于加权的线性重构相似度的协同过滤算法
    3.1 协同过滤算法
    3.2 线性重构相似度算法（LRS）
        3.2.1 算法介绍
        3.2.2 求解方法
    3.3 带非负约束的线性重构相似度算法（LRS-N）
        3.3.1 算法介绍
        3.3.2 求解方法
    3.4 代数近邻与几何邻居
    3.5 WLRS与WLRS-N的算法描述
4 数值实验及性能分析
    4.1 实验设计
        4.1.1 实验环境
        4.1.2 实验数据集
        4.1.3 对比算法
        4.1.4 实验流程
    4.2 实验结果与讨论
        4.2.1 算法表现
        4.2.2 性能比较
        4.2.3 鲁棒性分析
    4.3 本章小结
5 总结与展望
    5.1 本文的工作总结
    5.2 未来的工作展望
参考文献
致谢


【参考文献】：
期刊论文
[1]Ensemble kernel method:SVM classification based on game theory[J]. Yufei Liu,Dechang Pi,Qiyou Cheng.  Journal of Systems Engineering and Electronics. 2016(01)
[2]网络自然密度社团结构模块度函数[J]. 张聪,沈惠璋.  电子科技大学学报. 2012(02)
[3]复杂网络链路预测[J]. 吕琳媛.  电子科技大学学报. 2010(05)
[4]复杂网络中的社团结构算法综述[J]. 汪小帆,刘亚冰.  电子科技大学学报. 2009(05)
[5]复杂社会网络的介数性质近似计算方法研究[J]. 唐晋韬,王挺.  计算机工程与科学. 2008(12)
[6]复杂网络上的博弈[J]. 吴枝喜,荣智海,王文旭.  力学进展. 2008(06)
[7]复杂网络上动力系统同步的研究进展[J]. 赵明,汪秉宏,蒋品群,周涛.  物理学进展. 2005(03)

硕士论文
[1]基于网络结构的复杂网络链路预测算法研究[D]. 王鑫.安徽大学 2018
[2]复杂网络上的疾病扩散行为研究[D]. 李沫.复旦大学 2010



本文编号：3108960