CN107194069A - 一种基于贝叶斯估计和大度节点有利的链路预测方法 - Google Patents

一种基于贝叶斯估计和大度节点有利的链路预测方法 Download PDF

Info

Publication number
CN107194069A
CN107194069A CN201710366167.3A CN201710366167A CN107194069A CN 107194069 A CN107194069 A CN 107194069A CN 201710366167 A CN201710366167 A CN 201710366167A CN 107194069 A CN107194069 A CN 107194069A
Authority
CN
China
Prior art keywords
node
mrow
nodes
network
path
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
Application number
CN201710366167.3A
Other languages
English (en)
Inventor
杨旭华
沈敏
张海丰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201710366167.3A priority Critical patent/CN107194069A/zh
Publication of CN107194069A publication Critical patent/CN107194069A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于贝叶斯估计和大度节点有利的链路预测方法，建立网络模型，任取两个未直接连接的节点作为种子节点，分别计算它们之间存在和不存在连边的概率，根据二节点之间长度为2或3路径中间节点的度信息，分别计算二节点之间产生和不产生连边的概率，根据贝叶斯估计和大度节点有利思想，计算二节点之间长度为2和3路径每一中间节点的似然值,相似性分数为所有中间节点似然值之和；遍历网络，用上述方法获取任意两个种子节点间相似性分数，将所有种子节点对按相似性分数降序排列，取前B个分数值对应节点对为预测连边。本发明根据贝叶斯估计，结合大度节点有利思想，区分两节点间局部路径中不同中间节点具有不同重要性，算法预测效果好。

Description

一种基于贝叶斯估计和大度节点有利的链路预测方法
技术领域
本发明涉及网络科学和链路预测领域，特别是指一种基于贝叶斯估计和大度节点有利的链路预测方法。
背景技术
现实生活中的复杂系统可以使用复杂网络进行研究，网络中的节点代表复杂系统中的个体，连边代表系统中节点之间的相互关系。链路预测是复杂网络的重要研究领域之一，因为链路预测可以对网络的演化过程中节点之间可能产生的链路进行预测，所有可以提前预判出网络的演化趋势，并且可以判断出网络中并不存在的“幽灵边”，能够更好的帮助研究人员研究网络的内在规律。
链路预测问题受到研究人员的广泛关注。相比较而言，基于网络结构的链路预测算法相对于基于网络节点属性信息的预测算法更加可靠、准确。共同邻居(CN)算法是一种基于网络结构的经典链路预测算法，这种算法又被称为结构等价算法，即节点之间有很多的共同邻居节点，那么这两个节点就越相似，在CN算法的基础之上衍生出的链路预测算法有Salton算法、Jaccard算法、Sorenson算法、HPI(大度节点有利指标)、HDI(大度节点不利指标)、LHN-I算法、AA算法和RA算法等等，其中Salton算法又被称为余弦相似性算法，Sorenson算法常被用于生态学数据的研究，HPI算法常被用来分析新陈代谢网络的拓扑相似性，AA算法的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，RA算法是在AA算法的基础之上，受资源分配过程的启发而提出来的；基于路径的相似性算法，主要包括了局部路径指标(Local Path，LP)、Katz算法LHN-II算法，这些算法克服了CN算法使用的网络有效信息过少的缺点，从全局的角度利用网络的有效信息，因此，一定程度上提高了链路预测的精确性。
上述的一些经典算法主要考虑的是网络中的拓扑结构特性，即两个节点之间的网络特征越相似，那么这两个节点之间越有可能产生链路，这些方法在很多网络中的仿真被证实是有效的，但是这些传统的经典算法只考虑了没有直接连边的节点对之间长度为二的路径的中间节点的度数信息，并没有考虑长度大于二的路径的中间节点的属性，事实上网络中的这些属性对于节点对之间产生链路有很大的作用。传统的基于大度节点有利的指标并没有对不同的中间节点进行有效的区分。
发明内容
为了克服现有的基于大度节点有利的链路预测方法只考虑路径长度等于2的路径的中间节点，并且只考虑这些节点的度数而导致的预测精度不高的不足，本发明提出了一种准确度较高的基于贝叶斯估计和大度节点有利的链路预测方法。
本发明解决其技术问题所采用的技术方案是：
一种基于贝叶斯估计和大度节点有利的链路预测方法，包括以下步骤：
步骤一：建立网络模型G(V,E)，V代表网络中的节点集合，E代表网络中的连边集合，网络的节点总数记为N,用U表示网络中节点对的集合，|U|＝N(N-1)/2表示网络中节点对的总数；
步骤二：任意选取网络中的两个节点x和y作为种子节点，计算它们之间存在直接连边的可能性：
其中，|E|表示网络中实际存在的连边总数，A1表示x和y两个节点之间存在直接连边；
步骤三：计算网络中任意两个节点x和y之间不存在直接连边的概率：
其中，A0表示x和y两个节点之间不存在直接连边；
步骤四：根据节点x和y之间长度为2或者3的路径的一个中间节点Vw的度信息，计算节点x和y之间产生连边的概率：
P(A1|Vw)＝Cw
其中，Cw＝2Ew/kw(kw-1),kw表示节点Vw的度数，Ew表示节点Vw的kw个邻居节点之间实际存在的边数；
步骤五：根据节点x和y之间长度为2或者3的路径的一个中间节点Vw的度信息，计算节点x和y之间不产生连边的概率：
P(A0|Vw)＝1-Cw；
步骤六：根据贝叶斯估计的方法，计算节点x和y之间长度为2和3的路径的任意一个中间节点Vw的似然值
步骤七：对节点x和y之间长度为2和3的路径的每一个中间节点，重复步骤四至步骤六，计算每一个中间节点的似然值
步骤八：计算节点x和y的相似性分数：
其中Q表示节点x和y之间长度为2和3的所有路径中的所有中间节点的数量，kx表示节点x的度数，ky表示节点y的度数；
步骤九：遍历整个网络，对任意两个未连接节点，重复步骤二至步骤八，计算所有未连接节点对之间的相似性分数，并按照相似性分数值从高到低排列顺序，取前B个相似性分数值对应的节点对为预测连边，其中，B为设定的一个正整数，B≤D，D为网络中所有未连接节点对的数量。
本发明的有益效果为：考虑网络中两个未连接节点之间路径长度等于2或3的局部路径，区分网络中的中间节点的度数对产生链路的贡献，提出了一种基于贝叶斯估计和大度节点有利思想的链路预测方法，链路预测准确度较高。
附图说明
图1为网络中的任意一个不存在直接连边的节点对之间的不同中间节点对这个节点对之间产生链路的影响。
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1，一种基于贝叶斯估计和大度节点有利的链路预测方法，包括以下步骤：
步骤一：建立网络模型G(V,E)，V代表网络中的节点集合，E代表网络中的连边集合，网络的节点总数记为N,用U表示网络中节点对的集合，|U|＝N(N-1)/2表示网络中节点对的总数；
步骤二：任意选取网络中的两个节点x和y作为种子节点，即图1中黑色圆点表示，计算它们之间存在直接连边的可能性：
其中，|E|表示网络中实际存在的连边总数，A1表示x和y两个节点之间存在直接连边；
步骤三：计算网络中任意两个节点x和y之间不存在直接连边的概率，如图1所示：
其中，A0表示x和y两个节点之间不存在直接连边；
步骤四：根据节点x和y之间长度为2或者3的路径的一个中间节点Vw(如图1所示)的度信息，计算节点x和y之间产生连边的概率：
P(A1|Vw)＝Cw
其中，Cw＝2Ew/kw(kw-1),kw表示节点Vw的度数，Ew表示节点Vw的kw个邻居节点之间实际存在的边数；
步骤五：根据节点x和y之间长度为2或者3的路径的一个中间节点Vw(如图1所示)的度信息，计算节点x和y之间不产生连边的概率：
P(A0|Vw)＝1-Cw；
步骤六：根据贝叶斯估计的方法，计算节点x和y之间长度为2和3的路径的任意一个中间节点Vw的似然值
步骤七：对节点x和y之间长度为2和3的路径的每一个中间节点，重复步骤四至步骤六，计算每一个中间节点的似然值
步骤八：计算节点x和y的相似性分数：
其中Q表示节点x和y之间长度为2和3的所有路径中的所有中间节点的数量，kx表示节点x的度数，ky表示节点y的度数；
步骤九：遍历整个网络，对任意两个未连接节点，重复步骤二至步骤八，计算所有未连接节点对之间的相似性分数，并按照相似性分数值从高到低排列顺序，取前B个相似性分数值对应的节点对为预测连边，其中，B为设定的一个正整数，B≤D，D为网络中所有未连接节点对的数量。
如上所述，本专利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)

1.一种基于贝叶斯估计和大度节点有利的链路预测方法，其特征在于：包括以下步骤：
步骤一：建立网络模型G(V,E)，V代表网络中的节点集合，E代表网络中的连边集合，网络的节点总数记为N,用U表示网络中节点对的集合，|U|＝N(N-1)/2表示网络中节点对的总数；
步骤二：任意选取网络中的两个节点x和y作为种子节点，计算它们之间存在直接连边的可能性：
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mi>E</mi> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <mi>U</mi> <mo>|</mo> </mrow> </mfrac> </mrow>
其中，|E|表示网络中实际存在的连边总数，A1表示x和y两个节点之间存在直接连边；
步骤三：计算网络中任意两个节点x和y之间不存在直接连边的概率：
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mi>U</mi> <mo>|</mo> <mo>-</mo> <mo>|</mo> <mi>E</mi> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <mi>U</mi> <mo>|</mo> </mrow> </mfrac> </mrow>
其中，A0表示x和y两个节点之间不存在直接连边；
步骤四：根据节点x和y之间长度为2或者3的路径的一个中间节点Vw的度信息，计算节点x和y之间产生连边的概率：
P(A1|Vw)＝Cw
其中，Cw＝2Ew/kw(kw-1),kw表示节点Vw的度数，Ew表示节点Vw的kw个邻居节点之间实际存在的边数；
步骤五：根据节点x和y之间长度为2或者3的路径的一个中间节点Vw的度信息，计算节点x和y之间不产生连边的概率：
P(A0|Vw)＝1-Cw；
步骤六：根据贝叶斯估计的方法，计算节点x和y之间长度为2和3的路径的任意一个中间节点Vw的似然值
步骤七：对节点x和y之间长度为2和3的路径的每一个中间节点，重复步骤四至步骤六，计算每一个中间节点的似然值
步骤八：计算节点x和y的相似性分数：
其中Q表示节点x和y之间长度为2和3的所有路径中的所有中间节点的数量，kx表示节点x的度数，ky表示节点y的度数；
步骤九：遍历整个网络，对任意两个未连接节点，重复步骤二至步骤八，计算所有未连接节点对之间的相似性分数，并按照相似性分数值从高到低排列顺序，取前B个相似性分数值对应的节点对为预测连边，其中，B为设定的一个正整数，B≤D，D为网络中所有未连接节点对的数量。
CN201710366167.3A 2017-05-23 2017-05-23 一种基于贝叶斯估计和大度节点有利的链路预测方法 Pending CN107194069A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710366167.3A CN107194069A (zh) 2017-05-23 2017-05-23 一种基于贝叶斯估计和大度节点有利的链路预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710366167.3A CN107194069A (zh) 2017-05-23 2017-05-23 一种基于贝叶斯估计和大度节点有利的链路预测方法

Publications (1)

Publication Number Publication Date
CN107194069A true CN107194069A (zh) 2017-09-22

Family

ID=59875304

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710366167.3A Pending CN107194069A (zh) 2017-05-23 2017-05-23 一种基于贝叶斯估计和大度节点有利的链路预测方法

Country Status (1)

Country Link
CN (1) CN107194069A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295626A1 (en) * 2010-05-28 2011-12-01 Microsoft Corporation Influence assessment in social networks
CN102810113A (zh) * 2012-06-06 2012-12-05 北京航空航天大学 一种针对复杂网络的混合型聚类方法
CN104579790A (zh) * 2015-01-26 2015-04-29 中国人民解放军国防科学技术大学 一种确定链路预测还原边数量的方法
CN106326637A (zh) * 2016-08-10 2017-01-11 浙江工业大学 一种基于局部有效路径度的链路预测方法
CN106453217A (zh) * 2016-04-13 2017-02-22 河南理工大学 一种基于路径收益计算的网络攻击路径行为的预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295626A1 (en) * 2010-05-28 2011-12-01 Microsoft Corporation Influence assessment in social networks
CN102810113A (zh) * 2012-06-06 2012-12-05 北京航空航天大学 一种针对复杂网络的混合型聚类方法
CN104579790A (zh) * 2015-01-26 2015-04-29 中国人民解放军国防科学技术大学 一种确定链路预测还原边数量的方法
CN106453217A (zh) * 2016-04-13 2017-02-22 河南理工大学 一种基于路径收益计算的网络攻击路径行为的预测方法
CN106326637A (zh) * 2016-08-10 2017-01-11 浙江工业大学 一种基于局部有效路径度的链路预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨旭华 等: ""一种基于局部社团和全局信息的链路预测算法"", 《浙江工业大学学报》 *

Similar Documents

Publication Publication Date Title
Zhou et al. Deeplink: A deep learning approach for user identity linkage
Zhang et al. Adaptive federated learning on non-iid data with resource constraint
Bai An interval‐valued intuitionistic fuzzy TOPSIS method based on an improved score function
Hang et al. Trust-based recommendation based on graph similarity
Marsa-Maestre et al. Effective bidding and deal identification for negotiations in highly nonlinear scenarios
CN113052334A (zh) 一种联邦学习实现方法、系统、终端设备及可读存储介质
CN105354260B (zh) 一种融合社会网络和项目特征的移动应用推荐方法
CN105574191A (zh) 在线社会网络多源点信息溯源系统及其方法
Liu et al. Trust evaluation via large-scale complex service-oriented online social networks
Zhang et al. Mechanism design for finding experts using locally constructed social referral web
Li et al. Predicting global computing power of blockchain using cryptocurrency prices
CN112949835A (zh) 基于卷积循环神经网络对知识图谱的推理方法及设备
Wang et al. Multi-attribute integrated measurement of node importance in complex networks
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
CN107332687A (zh) 一种基于贝叶斯估计和共同邻居的链路预测方法
Xiao et al. Fitness estimation based particle swarm optimization algorithm for layout design of truss structures
CN109857928A (zh) 基于多元信用评估的用户偏好预测方法
CN107193954A (zh) 一种基于贝叶斯估计和局部路径的链路预测方法
CN107231252A (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
CN107086933A (zh) 一种基于贝叶斯估计和种子节点度的链路预测方法
CN109582802B (zh) 一种实体嵌入方法、装置、介质及设备
CN107194069A (zh) 一种基于贝叶斯估计和大度节点有利的链路预测方法
CN107135107A (zh) 一种基于贝叶斯估计和大度节点不利的链路预测方法
CN109635183A (zh) 一种基于社区的合作者推荐方法
CN104978676B (zh) 一种基于不一致用户评价准则的在线服务信誉度量方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170922

RJ01 Rejection of invention patent application after publication