CN105162654B - 一种基于局部社团信息的链路预测方法 - Google Patents
一种基于局部社团信息的链路预测方法 Download PDFInfo
- Publication number
- CN105162654B CN105162654B CN201510528190.9A CN201510528190A CN105162654B CN 105162654 B CN105162654 B CN 105162654B CN 201510528190 A CN201510528190 A CN 201510528190A CN 105162654 B CN105162654 B CN 105162654B
- Authority
- CN
- China
- Prior art keywords
- node
- network
- nodes
- pair
- calculate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种基于局部社团信息的链路预测方法,包括以下步骤:步骤一:建立网络模型G,并计算该网络的同配系数;步骤二:将网络中无连边节点对作为候选节点对,准备预测这些节点对之间未知或未来的链路,记录两个节点的节点度;步骤三:结合同配系数和无连边节点对的节点度计算DU;步骤四:提取并构建当前两个候选节点与它们之间公共邻居节点构成的共同邻居网络;步骤五:提取并构建公共邻居节点所在的局部社团网络,并计算当前两个候选节点的相似性;步骤六:构建以相似性降序排列的节点对的相似性列表;步骤七:获取相似性列表前面的节点对为链路预测算法得出的最有可能在未来会产生连边的。本发明可靠性较高、预测效果良好。
Description
技术领域
本发明涉及网络科学和链路预测领域,特别是指一种基于局部社团信息的链路预测方法。
背景技术
链路预测是网络科学的一个重要分支,它是指如何通过已知的各种信息预测给定网络中尚不存在连边的两个节点在网络进化过程中产生连边的可能性。有很多不同的角度来对复杂网络进行链路预测,而以网络的局部拓扑信息来预测稀疏网络中新连边的方式是一种应用广泛的思路。
目前,国内外的学者都利用网络的局部拓扑信息来研究链路预测,希望通过这类研究找出实际网络的某些重要特性并据此优化推荐算法。相关研究已经有了很多的理论成果。其中,公共邻居算法描述的是,两个节点的共同邻居数量越多,这两个节点就越相似,从而更倾向于连接,故用节点相似性来表征节点间倾向于连接的程度;Adamic-Adar算法的基本思想是度小的共同邻居节点的贡献大于度大的共同邻居节点,因此根据共同邻居节点的度为每个节点赋予一个权重值;资源分配算法是从网络资源分配的角度提出的,同时赋予共同邻居节点的权重以度的倒数的形式递减。
基于局部网络拓扑信息的算法主要关注于公共节点和它们的邻居节点,而Cannistraci等提出了一个把关注点从节点转变到连边的新方法,并且他们的CAR算法是基于公共节点及其公共节点间连边关系的基础上提出的。CAR算法表示,如果两个节点的公共邻居节点组成了一个内部有连边的局部社团,他们更可能相连,其中,局部社团的内部连边叫作局部社团连边。但是,CAR算法并没有考虑局部社团里的其他属性,如平均最短路径长度、边聚类系数、同配系数以及节点度值大小关系等,加入这些属性可以使得预测算法考虑的更全面。
发明内容
为了克服现有基于局部网络拓扑信息的链路预测方式的可靠性较低、预测效果较差的不足,本发明提出一种可靠性较高、预测效果良好的基于局部社团信息的链路预测方法。
本发明解决其技术问题所采用的技术具体步骤是:
一种基于局部社团信息的链路预测方法,包括以下步骤:
步骤一:建立网络模型G(V,E),V为网络中的节点,E为网络中节点间的连边,并计算该网络的同配系数r:
其中,ji和ki为第i条边的两个节点的度值,i=1,2,3…M,M为总边数;
步骤二:将网络中无连边节点对作为候选节点对,准备预测这些节点对之间未知或未来的链路,选取一个节点对,记录两个节点的节点度分别为Ka和Kb;
步骤三:根据同配系数和无连边节点对的节点度,计算
其中,DU表示同配-度系数;
步骤四:提取并构建当前两个候选节点与它们之间公共邻居节点构成的共同邻居网络,记录共同邻居网络的节点个数CN和边数量LCL;
步骤五:去除共同邻居网络中的两个候选节点及其连边,得到局部社团网络LCN,,计算当前两个候选节点的相似性,过程如下:
5.1计算LCN的边聚类系数
5.2计算LCN的平均最短路径长度
5.3计算局部社团网络系数
5.4计算当前两个候选节点的相似性系数LCII=CN*LCL*LCC*DU;
步骤六:重复步骤二至步骤五,直到所有的无连边节点对都遍历一遍,记录每个节点对的相似性,构建以相似性降序排列的相似性列表;
步骤七:获取相似性列表前Z的节点对,这些排在前Z的节点对即是链路预测算法得出的最有可能在未来会产生连边的节点对,其中,Z为取定的正整数。
本发明的技术构思为:根据网络中节点之间的连边关系,为尚未产生连边的两个节点预测可能会在未来产生的连边。在公共节点及其连边的基础上,继续挖掘局部社团网络(Local Community Network,LCN)中更进一步的关系,比如平均最短路径长度、边聚类系数、同配系数以及节点度值大小关系。通过分析节点所在网络的同配系数,考虑两个节点的度值,以及局部社团网络中边聚类系数p和LCN中的平均最短路径长度,最后在公共节点和局部社团连边的基础上综合利用实现链路预测。
本发明的有益效果为:在基于公共节点及其公共节点间连边关系的基础上,进一步挖掘了局部社团中的边聚类系数、平均最短路径长度,在无向网络中展现了良好的预测效果。这将有利用预测实际网络的演化和发展方向。
附图说明
图1为本链路预测算法预测的过程图示。
具体实施方式
下面结合附图对本发明做进一步的说明。
参照图1,一种基于局部社团信息的链路预测方法,包括以下步骤:
步骤一:建立网络模型G(V,E),V为网络中的节点,E为网络中节点间的连边,并计算该网络的同配系数r:
其中,ji和ki为第i条边的两个节点的度值,i=1,2,3…M,M为总边数;
步骤二:将网络中无连边节点对作为候选节点对,准备预测这些节点对之间未知或未来的链路,选取一个节点对,记录两个节点的节点度分别为Ka和Kb;
步骤三:根据同配系数和无连边节点对的节点度,计算
其中,DU表示同配-度系数;
步骤四:提取并构建当前两个候选节点与它们之间公共邻居节点构成的共同邻居网络,记录共同邻居网络的节点个数CN和边数量LCL;
步骤五:去除共同邻居网络中的两个候选节点及其连边,得到局部社团网络LCN,,计算当前两个候选节点的相似性,过程如下:
5.1计算LCN的边聚类系数
5.2计算LCN的平均最短路径长度
5.3计算局部社团网络系数
5.4计算当前两个候选节点的相似性系数LCII=CN*LCL*LCC*DU;
步骤六:重复步骤二至步骤五,直到所有的无连边节点对都遍历一遍,记录每个节点对的相似性,构建以相似性降序排列的相似性列表;
步骤七:获取相似性列表前Z的节点对,这些排在前Z的节点对即是链路预测算法得出的最有可能在未来会产生连边的节点对,其中,Z为取定的正整数。
如上所述,本专利实施的具体实现步骤使本发明更加清晰,提供更加直观准确的导航和实时信息掌握,实现了小范围内的精确导航,为用户的出行提供了更好的便捷出行和用户体验。在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (1)
1.一种基于局部社团信息的链路预测方法,其特征在于:包括以下步骤:
步骤一:建立网络模型G(V,E),V为网络中的节点,E为网络中节点间的连边,并计算该网络的同配系数r:
其中,ji和ki为第i条边的两个节点的度值,i=1,2,3…M,M为总边数;
步骤二:将网络中无连边节点对作为候选节点对,准备预测这些节点对之间未知或未来的链路,选取一个节点对,记录两个节点的节点度分别为Ka和Kb;
步骤三:根据同配系数和无连边节点对的节点度,计算
其中,DU表示同配-度系数;
步骤四:提取并构建当前两个候选节点与它们之间公共邻居节点构成的共同邻居网络,记录共同邻居网络的节点个数CN和边数量LCL;
步骤五:去除共同邻居网络中的两个候选节点及其连边,得到局部社团网络LCN,计算当前两个候选节点的相似性,过程如下:
5.1计算LCN的边聚类系数
5.2计算LCN的平均最短路径长度
5.3计算局部社团网络系数
5.4计算当前两个候选节点的相似性系数LCII=CN*LCL*LCC*DU;
步骤六:重复步骤二至步骤五,直到所有的无连边节点对都遍历一遍,记录每个节点对的相似性,构建以相似性降序排列的相似性列表;
步骤七:获取相似性列表前Z的节点对,这些排在前Z的节点对即是链路预测算法得出的最有可能在未来会产生连边的节点对,其中,Z为取定的正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510528190.9A CN105162654B (zh) | 2015-08-25 | 2015-08-25 | 一种基于局部社团信息的链路预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510528190.9A CN105162654B (zh) | 2015-08-25 | 2015-08-25 | 一种基于局部社团信息的链路预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105162654A CN105162654A (zh) | 2015-12-16 |
CN105162654B true CN105162654B (zh) | 2018-07-06 |
Family
ID=54803414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510528190.9A Active CN105162654B (zh) | 2015-08-25 | 2015-08-25 | 一种基于局部社团信息的链路预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105162654B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106341258B (zh) * | 2016-08-23 | 2019-01-22 | 浙江工业大学 | 一种基于二阶局部社团和种子节点结构信息的预测网络未知连边的方法 |
CN106559290B (zh) * | 2016-11-29 | 2019-09-27 | 北京邮电大学 | 基于社团结构的链路预测的方法和系统 |
CN107086933B (zh) * | 2017-05-23 | 2018-07-13 | 杨武略 | 一种基于贝叶斯估计和种子节点度的链路预测方法 |
CN107920133A (zh) * | 2017-12-12 | 2018-04-17 | 浙江工业大学 | 一种基于局部网络中三元闭包信息的推荐方法 |
CN109993338B (zh) * | 2017-12-29 | 2021-08-06 | 中移(苏州)软件技术有限公司 | 一种链路预测方法及装置 |
CN109726297B (zh) * | 2018-12-28 | 2022-12-23 | 沈阳航空航天大学 | 一种基于互斥策略的二分网络节点预测算法 |
CN112100514B (zh) * | 2020-08-31 | 2021-10-26 | 浙江工业大学 | 一种基于全局注意力机制表征学习的好友推荐方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104378229A (zh) * | 2014-10-30 | 2015-02-25 | 东南大学 | 一种机会网络的链路预测方法 |
-
2015
- 2015-08-25 CN CN201510528190.9A patent/CN105162654B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104378229A (zh) * | 2014-10-30 | 2015-02-25 | 东南大学 | 一种机会网络的链路预测方法 |
Non-Patent Citations (3)
Title |
---|
From link-prediction in brain connectomes and protein interactomes to the local-community-paradigm in complex networks;Cannistraci C V et al.;《SCIENTIFIC REPORTS》;20130408;1-13 * |
Mining the evolution of networks using Local-Cross-Communities-Paradigm;XIAOJIE WANG et al.;《EPL(Europhysics Letters)》;20140102;1-6 * |
复杂网络的局部社团结构挖掘算法;袁超等;《自动化学报》;20140531;第40卷(第5期);921-934 * |
Also Published As
Publication number | Publication date |
---|---|
CN105162654A (zh) | 2015-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105162654B (zh) | 一种基于局部社团信息的链路预测方法 | |
Ioannidis et al. | Semi-blind inference of topologies and dynamical processes over dynamic graphs | |
CN103106279B (zh) | 一种同时基于节点属性以及结构关系相似度的聚类方法 | |
Yuan et al. | ITARS: trust-aware recommender system using implicit trust networks | |
WO2011106950A1 (zh) | 复杂网络配置方法和系统及服务器资源配置管理模块 | |
CN113780436B (zh) | 一种基于综合度的复杂网络关键节点识别方法 | |
Zhu et al. | WSP: A network coordinate based web service positioning framework for response time prediction | |
CN103326899A (zh) | 一种基于网络异质性的加权网络节点重要度评估方法 | |
CN113518007B (zh) | 一种基于联邦学习的多物联网设备异构模型高效互学习方法 | |
CN105678590A (zh) | 一种面向社交网络基于云模型的topN推荐方法 | |
CN104992259A (zh) | 一种基于社团结构的复杂网络抗毁性和关键节点分析方法 | |
CN111010341A (zh) | 一种基于深度学习的覆盖网络路由决策方法 | |
CN106341258B (zh) | 一种基于二阶局部社团和种子节点结构信息的预测网络未知连边的方法 | |
CN108133426B (zh) | 一种社交网络链路推荐方法 | |
CN109218829B (zh) | 一种基于傅里叶变换的视频播放量可预测性分类方法 | |
CN113034297A (zh) | 基于节点吸引力的复杂网络关键节点识别方法及系统 | |
Chen et al. | Optimal transport on supply-demand networks | |
CN108833162A (zh) | 一种网络节点排序方法及虚拟网络映射方法 | |
CN107332687A (zh) | 一种基于贝叶斯估计和共同邻居的链路预测方法 | |
CN107018027A (zh) | 一种基于贝叶斯估计和共同邻居节点度的链路预测方法 | |
CN107086933B (zh) | 一种基于贝叶斯估计和种子节点度的链路预测方法 | |
CN109993338A (zh) | 一种链路预测方法及装置 | |
Zhang et al. | An Adaptive Recommendation Method Based on Small-World Implicit Trust Network. | |
CN107248923A (zh) | 一种基于局部拓扑信息和社团相关性的链路预测方法 | |
CN107231252B (zh) | 一种基于贝叶斯估计和种子节点邻居集合的链路预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |