CN106326637A - 一种基于局部有效路径度的链路预测方法 - Google Patents
一种基于局部有效路径度的链路预测方法 Download PDFInfo
- Publication number
- CN106326637A CN106326637A CN201610658066.9A CN201610658066A CN106326637A CN 106326637 A CN106326637 A CN 106326637A CN 201610658066 A CN201610658066 A CN 201610658066A CN 106326637 A CN106326637 A CN 106326637A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- network
- degree
- paths
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于局部有效路径度的链路预测方法,包括以下步骤:步骤一:建立网络模型;步骤二:任意选取网络中两个未连接的节点作为种子节点,记录两个种子节点之间长度为2的每一条路径的局部路径度;步骤三:计算两个种子节点之间长度为3的每一条路径的局部路径度;步骤四:计算两个种子节点的局部有效路径度相似性指标;步骤五:对所有未连接的节点对,重复执行步骤二到四,计算相应的局部有效路径度相似性指标值;步骤六:将所有未连接节点对的相似性指标值从高到低排序,数值越高则相应节点对之间出现连边的可能性越大,取前E个指标值对应的节点对为预测连边。本发明考虑了局部路径中度分布和连边强度对链路预测的影响,信息利用率高,预测效果好。
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有效路径度的链路预测方法。
背景技术
人们用复杂网络来研究真实系统的内在规律,并获取实际问题的解决途径。链路预测是复杂网络中重要的研究课题之一,链路预测方法可以在已有的网络结构信息的基础上,对任意一个不存在链路的节点对,采用链路预测算法,得出在网络的演化过程中产生链路的可能性。
目前已有的链路预测方法有:基于马尔可夫链,基于机器学习和基于网络拓扑结构的方法等,其中基于网络拓扑结构的链路预测方法目前得到了很多研究者的关注,基于网络拓扑结构的方法可以被分为三类:基于相似性的链路预测方法、基于最大似然值的链路预测方法和基于结构一致性的链路预测方法。基于相似性的链路预测方法认为两个节点之间相似性越大,它们之间存在链路的可能性就越大,这种方法包括共同邻居算法CN,Salton指标,Jacczrd指标,HPI指标,AA指标,RA指标,局部朴素贝叶斯指标,katz指标,LHN-II指标和随机游走算法等。基于最大似然值的链路预测算法包括了基于层次结构模型,基于随机分块模型和基于闭路模型三种算法,基于层次模型的模型认为网络是具有层次结构的,通过不断的抽样可以得到似然值最大的层次模型,再将这种层次结构映射到链路预测问题当中,随机分块模型将网络分成了很多个社区,不同节点之间是否存在链路和他们所在的社区存在较大的关系,基于闭路模型的方法发现节点之间存在链路的概率可以用对应网络在加入这条链路之后的似然值来度量。基于结构一致性的链路预测方法认为网络如果越是具有内在的规律性,那么它被预测的可能性就越大,在这个基础上提出的“结构一致性”指标可以用来度量网络的“可以被预测的程度”,基于“结构一致性”提出的“结构微扰法”可以很好的提升链路预测的准确性。
这些基于相似性的各种链路预测方法中,大部分的方法不是从两个未连接节点之间的一阶路径(两点之间的路径长度为2)的角度考虑共同邻居对链路预测的影响就是考虑两个节点之间所有路径和路径上的节点对链路预测结果的影响,它们之间折中的方法相对较少,实际上高阶路径虽然包含着大量的网络结构信息,一定程度上是有利于提高链路预测的效果的,但是并不是考虑越高阶的路径对链路预测的效果就越好。比如,吕琳媛和周涛等人提出的LP指标同时考虑了二阶路径和三阶路径,链路预测的效果比仅仅考虑二阶路径的CN,AA和RA指标要好,但是当我们通过分析和比较考虑网络中所有路径的katz指标和其他主流的指标,发现在有些网络中katz的预测效果并不会比CN,AA和RA算法好,同时在朱许振等人的论文中,我们也可以看到当考虑路径的长度大于3的时候评价链路预测准确率的AUC指标呈递减趋势,当我们用LHN-II算法和其他几种经典算法比较的时候也可以发现,这种考虑节点之间所有路径的算法在有些网络中,效果上也比不上经典的CN,AA和RA指标。
发明内容
为了克服现有的基于相似性的链路预测方法考虑局部路径中度对链路预测效果影响的不足,本发明提出了一种考虑了长度为2和3的局部路径和路径强度对链路预测的影响、可靠性较高、预测效果良好的基于局部有效路径度的链路预测方法。
本发明解决其技术问题所采用的技术具体步骤是:
一种基于局部有效路径度的链路预测方法,包括以下步骤:
步骤一:建立网络模型G(V,E),V代表网络中的节点,E代表网络中的连边;
步骤二:任意选取网络中两个未连接的节点x和y作为种子节点,记录种子节点x和y之间长度为2的每一条路径的局部路径度LPD2w=kw,其中,kw表示第w条路径中间节点的度数,w=1,2,……,L2,L2表示节点x和y之间长度为2的路径的数量;
步骤三:计算节点x和y之间长度为3的每一条路径的局部路径度LPD3m=k1m+k2m,其中,k1m表示第m条路径中第一个中间节点的度数,k2m表示第m条路径中第二个中间节点的度数,m=1,2,……,L3,L3表示节点x和y之间长度为3的路径的数量;
步骤四:计算节点x和y之间的局部有效路径度相似性指标,α是一个表示路径强度的可调参数,α>0;
步骤五:对网络中所有未连接的节点对,重复执行步骤二到四,计算相应的局部有效路径度相似性指标值;
步骤六:将所有未连接节点对的相似性指标值从高到低排序,指标值越高则相应的节点对之间出现连边的可能性越大,取前E个指标值对应的节点对为预测连边,其中,E为取定的正整数,E≤F,F为整个网络中所有未知节点对的总数。
本发明的有益效果为:考虑网络中长度等于2或3的局部路径,同时考虑路径强度对链路预测的影响,在此基础上提出的链路预测算法具有较高的链路预测准确度。
附图说明
图1为网络中的任意一个不存在直接连边的种子节点对和它们之间的局部路径示意图,其中,(a)表示网络中任意两个不存在链路的种子节点之间的网络拓扑结构图,(b)表示种子节点之间路径长度为2的局部路径,(c)表示种子节点之间路径长度为3的局部路径,(d)表示节点之间路径长度为4的局部路径。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1,一种基于局部有效路径度的链路预测方法,本发明考虑长度为2和3的局部路径(如图1的(b)和(c)),不考虑长度为4(如(d))或大于4的路径,包括以下步骤:
步骤一:建立网络模型G(V,E),V代表网络中的节点,E代表网络中的连边;
步骤二:任意选取网络中两个未连接的节点x和y作为种子节点,如图1所示,子图a中黑色节点即表示网络中的种子节点,记录种子节点x和y之间长度为2的每一条路径的局部路径度LPD2w=kw,其中,kw表示第w条路径中间节点的度数,w=1,2,……,L2,L2表示节点x和y之间长度为2的路径的数量;
步骤三:计算节点x和y之间长度为3的每一条路径的局部路径度LPD3m=k1m+k2m,其中,k1m表示第m条路径中第一个中间节点的度数,k2m表示第m条路径中第二个中间节点的度数,m=1,2,……,L3,L3表示节点x和y之间长度为3的路径的数量;
步骤四:计算节点x和y之间的局部有效路径度相似性指标,α是一个表示路径强度的可调参数,α>0;
步骤五:对网络中所有未连接的节点对,重复执行步骤二到四,计算相应的局部有效路径度相似性指标值;
步骤六:将所有未连接节点对的相似性指标值从高到低排序,指标值越高则相应的节点对之间出现连边的可能性越大,取前E个指标值对应的节点对为预测连边,其中,E为取定的正整数,E≤F,F为整个网络中所有未知节点对的总数。
如上所述,本实施的具体实现步骤使本发明更加清晰。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)
1.一种基于局部有效路径度的链路预测方法,其特征在于:所述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代表网络中的节点,E代表网络中的连边;
步骤二:任意选取网络中两个未连接的节点x和y作为种子节点,记录种子节点x和y之间长度为2的每一条路径的局部路径度LPD2w=kw,其中,kw表示第w条路径中间节点的度数,w=1,2,……,L2,L2表示节点x和y之间长度为2的路径的数量;
步骤三:计算节点x和y之间长度为3的每一条路径的局部路径度LPD3m=k1m+k2m,其中,k1m表示第m条路径中第一个中间节点的度数,k2m表示第m条路径中第二个中间节点的度数,m=1,2,……,L3,L3表示节点x和y之间长度为3的路径的数量;
步骤四:计算节点x和y之间的局部有效路径度相似性指标,α是一个表示路径强度的可调参数,α>0;
步骤五:对网络中所有未连接的节点对,重复执行步骤二到四,计算相应的局部有效路径度相似性指标值;
步骤六:将所有未连接节点对的相似性指标值从高到低排序,指标值越高则相应的节点对之间出现连边的可能性越大,取前E个指标值对应的节点对为预测连边,其中,E为取定的正整数,E≤F,F为整个网络中所有未知节点对的总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610658066.9A CN106326637A (zh) | 2016-08-10 | 2016-08-10 | 一种基于局部有效路径度的链路预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610658066.9A CN106326637A (zh) | 2016-08-10 | 2016-08-10 | 一种基于局部有效路径度的链路预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106326637A true CN106326637A (zh) | 2017-01-11 |
Family
ID=57740803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610658066.9A Pending CN106326637A (zh) | 2016-08-10 | 2016-08-10 | 一种基于局部有效路径度的链路预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106326637A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107018027A (zh) * | 2017-05-23 | 2017-08-04 | 浙江工业大学 | 一种基于贝叶斯估计和共同邻居节点度的链路预测方法 |
CN107086933A (zh) * | 2017-05-23 | 2017-08-22 | 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 |
CN107135107A (zh) * | 2017-05-23 | 2017-09-05 | 浙江工业大学 | 一种基于贝叶斯估计和大度节点不利的链路预测方法 |
CN107194069A (zh) * | 2017-05-23 | 2017-09-22 | 浙江工业大学 | 一种基于贝叶斯估计和大度节点有利的链路预测方法 |
CN107231252A (zh) * | 2017-05-23 | 2017-10-03 | 浙江工业大学 | 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 |
CN107332687A (zh) * | 2017-05-23 | 2017-11-07 | 浙江工业大学 | 一种基于贝叶斯估计和共同邻居的链路预测方法 |
CN108345656A (zh) * | 2018-01-30 | 2018-07-31 | 烟台中科网络技术研究所 | 一种有向网络链路预测方法 |
CN108811028A (zh) * | 2018-07-23 | 2018-11-13 | 南昌航空大学 | 一种机会网络链路的预测方法、装置及可读存储介质 |
CN108847993A (zh) * | 2018-07-20 | 2018-11-20 | 中电科新型智慧城市研究院有限公司 | 基于多阶路径中间节点资源分配的链路预测方法 |
CN110020379A (zh) * | 2018-01-04 | 2019-07-16 | 中国科学院声学研究所 | 一种基于深度动态网络嵌入表示模型的链路预测方法 |
CN112579708A (zh) * | 2020-12-09 | 2021-03-30 | 杭州师范大学 | 一种基于改进局部路径的链路预测相似性指标方法 |
-
2016
- 2016-08-10 CN CN201610658066.9A patent/CN106326637A/zh active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107332687B (zh) * | 2017-05-23 | 2020-05-05 | 浙江工业大学 | 一种基于贝叶斯估计和共同邻居的链路预测方法 |
CN107135107A (zh) * | 2017-05-23 | 2017-09-05 | 浙江工业大学 | 一种基于贝叶斯估计和大度节点不利的链路预测方法 |
CN107231252B (zh) * | 2017-05-23 | 2020-05-05 | 浙江工业大学 | 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 |
CN107018027B (zh) * | 2017-05-23 | 2020-01-10 | 浙江工业大学 | 一种基于贝叶斯估计和共同邻居节点度的链路预测方法 |
CN107231252A (zh) * | 2017-05-23 | 2017-10-03 | 浙江工业大学 | 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 |
CN107332687A (zh) * | 2017-05-23 | 2017-11-07 | 浙江工业大学 | 一种基于贝叶斯估计和共同邻居的链路预测方法 |
CN107018027A (zh) * | 2017-05-23 | 2017-08-04 | 浙江工业大学 | 一种基于贝叶斯估计和共同邻居节点度的链路预测方法 |
CN107135107B (zh) * | 2017-05-23 | 2020-01-10 | 浙江工业大学 | 一种基于贝叶斯估计和大度节点不利的链路预测方法 |
CN107194069A (zh) * | 2017-05-23 | 2017-09-22 | 浙江工业大学 | 一种基于贝叶斯估计和大度节点有利的链路预测方法 |
CN107086933A (zh) * | 2017-05-23 | 2017-08-22 | 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 |
CN110020379A (zh) * | 2018-01-04 | 2019-07-16 | 中国科学院声学研究所 | 一种基于深度动态网络嵌入表示模型的链路预测方法 |
CN110020379B (zh) * | 2018-01-04 | 2021-02-09 | 中国科学院声学研究所 | 一种基于深度动态网络嵌入表示模型的链路预测方法 |
CN108345656A (zh) * | 2018-01-30 | 2018-07-31 | 烟台中科网络技术研究所 | 一种有向网络链路预测方法 |
CN108345656B (zh) * | 2018-01-30 | 2021-03-05 | 烟台中科网络技术研究所 | 一种有向网络链路预测方法 |
CN108847993A (zh) * | 2018-07-20 | 2018-11-20 | 中电科新型智慧城市研究院有限公司 | 基于多阶路径中间节点资源分配的链路预测方法 |
CN108811028B (zh) * | 2018-07-23 | 2021-07-16 | 南昌航空大学 | 一种机会网络链路的预测方法、装置及可读存储介质 |
CN108811028A (zh) * | 2018-07-23 | 2018-11-13 | 南昌航空大学 | 一种机会网络链路的预测方法、装置及可读存储介质 |
CN112579708A (zh) * | 2020-12-09 | 2021-03-30 | 杭州师范大学 | 一种基于改进局部路径的链路预测相似性指标方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106326637A (zh) | 一种基于局部有效路径度的链路预测方法 | |
Liu et al. | Prediction of road traffic congestion based on random forest | |
Zhao et al. | Stock market as temporal network | |
CN111639237B (zh) | 一种基于聚类和关联规则挖掘的电力通信网风险评估系统 | |
Zarandi et al. | Community detection in complex networks using structural similarity | |
CN106778894A (zh) | 一种学术异构信息网络中作者合作关系预测的方法 | |
Chen et al. | Multi-objective optimization of community detection using discrete teaching–learning-based optimization with decomposition | |
CN106951524A (zh) | 基于节点影响力的重叠社区发现方法 | |
CN105893637A (zh) | 大规模微博异构信息网络中的链接预测方法 | |
CN108304380A (zh) | 一种融合学术影响力的学者人名消除歧义的方法 | |
CN105574541A (zh) | 一种基于紧密度排序的网络社区发现方法 | |
CN105843829B (zh) | 一种基于分层模型的大数据可信性度量方法 | |
CN103020163A (zh) | 一种网络中基于节点相似度的网络社区划分方法 | |
CN105678590A (zh) | 一种面向社交网络基于云模型的topN推荐方法 | |
Ma et al. | Decomposition-based multiobjective evolutionary algorithm for community detection in dynamic social networks | |
CN103888541A (zh) | 一种融合拓扑势和谱聚类的社区发现方法及系统 | |
CN105162654A (zh) | 一种基于局部社团信息的链路预测方法 | |
CN104317853B (zh) | 一种基于语义Web的服务簇构建方法 | |
Sugianto et al. | K-Means Algorithm For Clustering Poverty Data in Bangka Belitung Island Province | |
CN109255433B (zh) | 一种基于相似性的社区检测的方法 | |
CN107018027B (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 | |
CN106550387B (zh) | 一种无线传感器网络路由层服务质量评价方法 | |
CN107332687B (zh) | 一种基于贝叶斯估计和共同邻居的链路预测方法 | |
CN110113215A (zh) | 一种基于时间加权的重叠社区检测算法 | |
CN109361556A (zh) | 一种基于节点熵和结构洞的关键节点感知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170111 |
|
RJ01 | Rejection of invention patent application after publication |