CN107248923A - 一种基于局部拓扑信息和社团相关性的链路预测方法 - Google Patents

一种基于局部拓扑信息和社团相关性的链路预测方法 Download PDF

Info

Publication number
CN107248923A
CN107248923A CN201710260562.3A CN201710260562A CN107248923A CN 107248923 A CN107248923 A CN 107248923A CN 201710260562 A CN201710260562 A CN 201710260562A CN 107248923 A CN107248923 A CN 107248923A
Authority
CN
China
Prior art keywords
corporations
node
correlation
topology information
local topology
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
CN201710260562.3A
Other languages
English (en)
Inventor
杨清海
席敏燕
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.)
Xidian University
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Original Assignee
Xidian University
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
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 Xidian University, Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd filed Critical Xidian University
Priority to CN201710260562.3A priority Critical patent/CN107248923A/zh
Publication of CN107248923A publication Critical patent/CN107248923A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明属于网络科学和链路预测技术领域，公开了一种基于局部拓扑信息和社团相关性的链路预测方法，所述基于局部拓扑信息和社团相关性的链路预测方法利用节点之间局部拓扑信息计算节点之间的相似性值；当两个节点处于同一个社团时，社团相关性为最大值，当两个节点处于不同社团时，在考虑局部拓扑信息的基础上，将节点之间的相似性转化为两个社团之间的相关性，然后计算两个社团之间的相关性值；最后综合考虑局部拓扑信息和社团相关性的影响进行链路预测。本发明避免了预测结果中有太多相似性为0的节点对，提高了链路预测的准确性。

Description

一种基于局部拓扑信息和社团相关性的链路预测方法
技术领域
本发明属于网络科学和链路预测技术领域，尤其涉及一种基于局部拓扑信息和社团相关性的链路预测方法。
背景技术
链路预测是将复杂网路与信息科学联系起来的重要桥梁之一，有重要的实际应用价值。链路预测是指通过已知网络的网络结构等信息预测网络中尚未链接的两个节点之间产生链接的可能性。链接包括未知和未来链接两种，未知链接指的是目前的网络中本来存在但是由于某种原因缺失的链接，未来链接指的是目前的网络中没有但是在将来有可能出现的链接。目前，基于局部拓扑信息的链路预测算法由于算法复杂度低，计算简便，已经成为主流的方法。例如现有的共同邻居算法(CN)、Adamic-Adar算法(AA)、资源分配算法(RA)，这些算法都是基于局部拓扑信息进行链路预测的，但是它们没有考虑到社团结构对链路预测的影响，因此预测的准确度不高。现在已有一些研究者把社团结构加入到链路预测中，他们认为处在同一个社团的节点相似性比较高，处在不同社团的节点相似性相对低。然而，他们只考虑了社团内部的节点之间的关系，而忽略了社团之间的相似性，且这些方法都是在共同邻居存在的前提下定义的，当处于不同社团的两个节点之间没有共同邻居时，则认为这两个节点的相似性为0，因此这些算法的预测准确性比较低。
综上所述，现有技术存在的问题是：目前基于局部拓扑信息的链路预测方法预测准确度不高。
发明内容
针对现有技术存在的问题，本发明提供了一种基于局部拓扑信息和社团相关性的链路预测方法。
本发明是这样实现的，一种基于局部拓扑信息和社团相关性的链路预测方法，所述基于局部拓扑信息和社团相关性的链路预测方法利用节点之间局部拓扑信息计算节点之间的相似性值。当两个节点处于同一个社团时，社团相关性为最大值，当两个节点处于不同社团时，在考虑局部拓扑信息的基础上，将节点之间的相似性转化为两个社团之间的相关性，然后计算两个社团之间的相关性值。最后综合考虑局部拓扑信息和社团相关性的影响进行链路预测；
所述基于局部拓扑信息和社团相关性的链路预测方法在无权无向的复杂网络中进行；用A表示邻接矩阵，如果节点i和节点j有联系，那么A的第i行第j列上的值为Aij＝1，否则Aij＝0；节点的度被定义为网络中所有与该节点直接相连的节点的个数，节点i的度通常被记为ki，可以用公式表示；定义：Γ(x)为x的邻居集合，其中x可以是节点也可以是社团。
进一步，所述基于局部拓扑信息和社团相关性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＝{v1,v2,...vn}为网络中的节点集合，E＝{(vx,vy)|vx∈V,vy∈V}代表边的集合，基于网络模型生成邻接矩阵A，其中
步骤二，网络被划分成四个社团，记为C＝{c1,c2,c3,c4}，其中V(c1)＝{1,2,3,4}，V(c2)＝{5,6,7,8,9}，V(c3)＝{10,11,12,13}，V(c4)＝{14,15,16,17}；
步骤三，将网络中所有的节点对(i,j)挑选出来作为候选节点对；
步骤四，利用候选节点对之间的局部拓扑信息计算步骤三所述的节点对之间的相似性值，因为这两对节点都没有共同邻居，所以用局部拓扑信息计算出来的两对节点的相似性值都为0；
步骤五，计算步骤三所述的节点对所在社团的社团相关性；
步骤六，综合考虑局部拓扑信息和社团相关性对节点相似性的影响，重新计算候选节点对之间的相似性值Su,v。例如采用公式因此节点5和节点10之间的相似性比节点10和节点14之间的相似性高；
步骤七，重复步骤四至步骤六，计算每个节点对的相似性值，并将相似性值按降序排列，构建相似性列表；
步骤八，根据某种相似性准则，获取相似性列表中前N个节点对，这些排在前N个的节点对即为本链路预测方法得出的最有可能在未来产生连边的节点对，其中N为正整数。
进一步，所述步骤五中具体过程如下：
(1)分别找到候选节点5和10所在的社团c2和c3；
(2)计算V(c2)＝{5,6,7,8,9}，Γ(c2)＝{3,10}，因此Γ(c2)∪V(c2)＝{3,5,6,7,8,9,10}；
(3)同上，求出Γ(c3)∪V(c3)＝{4,7,10,11,12,13}；
(4)计算社团c2和c3的社团相关性为
(5)对(4)中的社团相关性进行归一化，结果为
同理，可得到节点10和节点14分别属于社团c3和社团c4，这两个社团归一化之后的社团相关性为
本发明的另一目的在于提供一种利用所述基于局部拓扑信息和社团相关性的链路预测方法预测链路。
本发明选取三个真实的复杂网络数据集，如下所示：
(1)爵士音乐家合作网络(Jazz)：该网络中，每一个节点代表一个音乐家，边代表两个音乐家之间有过合作。该网络中总共有198个节点，2742条连边。
(2)美国航空公司(USAir)：该网络中，每一个节点代表一个机场，边代表这两个机场之间有航线。该网络中总共包含332个节点，2126条连边。
(3)科学家合作网络(Net Science)[45]：该网络中，每个节点代表一个科学家，边代表两个科学家合作发表过文章，本文考虑的是无权无向图。该网络中总共包含1461个节点，2742条连边。
分别用本发明提出的方法、CN、AA和RA算法在选取的真实网络数据集上进行实验，得到各个数据集上每个方法下的Precision值。
Precision表示的是将计算的相似性值按照降序排列之后，排名前L位中预测准确的边所占的比例，一般L取100，公式如下所示：
实验结果如下表所示：
本发明提出的方法与其它经典算法的Precision值
本发明的优点及积极效果为：在考虑局部拓扑信息的基础上，进一步挖掘了社团之间的相关性，避免了预测结果中有太多相似性为0的节点对。从上表可以看出，相比于CN、AA和RA算法，本发明提出的方法的预测准确度有所提高。
附图说明
图1是本发明实施例提供的基于局部拓扑信息和社团相关性的链路预测方法流程图。
图2是本发明实施例提供的基于局部拓扑信息和社团相关性的链路预测方法实现流程图。
图3是本发明实施例提供的场景示意图；
图中：实线表示社团内节点之间的联系；虚线表示社团间节点之间的联系。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
本发明是在无权无向的复杂网络中进行。用A表示邻接矩阵，如果节点i和节点j有联系，那么A的第i行第j列上的值为Aij＝1，否则Aij＝0。节点的度被定义为网络中所有与该节点直接相连的节点的个数，节点i的度通常被记为ki，可以用公式表示。
定义：Γ(x)为x的邻居集合，其中x可以是节点也可以是社团。
如图1所示，本发明实施例提供的基于局部拓扑信息和社团相关性的链路预测方法包括以下步骤：
S101：利用节点之间局部拓扑信息计算节点之间的相似性值；
S102：当两个节点处于同一个社团时，社团相关性为最大值，当两个节点处于不同社团时，在考虑局部拓扑信息的基础上，将节点之间的相似性转化为两个社团之间的相关性，然后计算两个社团之间的相关性值；
S103：综合考虑局部拓扑信息和社团相关性的影响进行链路预测。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示，本发明实施例提供的基于局部拓扑信息和社团相关性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＝{v1,v2,...vn}为网络中的节点集合，E＝{(vx,vy)|vx∈V,vy∈V}代表边的集合，基于网络模型生成邻接矩阵A，其中
步骤二：该网络被划分成四个社团，记为C＝{c1,c2,c3,c4}，其中V(c1)＝{1,2,3,4}，V(c2)＝{5,6,7,8,9}，V(c3)＝{10,11,12,13}，V(c4)＝{14,15,16,17}；
步骤三：将网络中所有的节点对(i,j)挑选出来作为候选节点对，本发明中以节点对(5,10)和节点对(10,14)为例说明计算过程；
步骤四：利用候选节点对之间的局部拓扑信息计算步骤三所述的节点对之间的相似性值，因为这两对节点都没有共同邻居，所以用局部拓扑信息计算出来的两对节点的相似性值都为0；
步骤五：计算步骤三所述的节点对所在社团的社团相关性，过程如下：
(1)分别找到候选节点5和10所在的社团c2和c3；
(2)计算V(c2)＝{5,6,7,8,9}，Γ(c2)＝{3,10}，因此Γ(c2)∪V(c2)＝{3,5,6,7,8,9,10}；
(3)同上，求出Γ(c3)∪V(c3)＝{4,7,10,11,12,13}；
(4)计算社团c2和c3的社团相关性为
(5)对(4)中的社团相关性进行归一化，结果为
同理，可得到节点10和节点14分别属于社团c3和社团c4，这两个社团归一化之后的社团相关性为
步骤六：综合考虑局部拓扑信息和社团相关性对节点相似性的影响，重新计算候选节点对之间的相似性值Su,v。例如采用公式因此节点5和节点10之间的相似性比节点10和节点14之间的相似性高；
步骤七：重复步骤四至步骤六，计算每个节点对的相似性值，并将相似性值按降序排列，构建相似性列表；
步骤八：根据某种相似性准则，获取相似性列表中前N个节点对，这些排在前N个的节点对即为本链路预测方法得出的最有可能在未来产生连边的节点对，其中N为正整数。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于局部拓扑信息和社团相关性的链路预测方法，其特征在于，所述基于局部拓扑信息和社团相关性的链路预测方法利用节点之间局部拓扑信息计算节点之间的相似性值；当两个节点处于同一个社团时，社团相关性为最大值，当两个节点处于不同社团时，在考虑局部拓扑信息的基础上，将节点之间的相似性转化为两个社团之间的相关性，然后计算两个社团之间的相关性值；最后综合考虑局部拓扑信息和社团相关性的影响进行链路预测；
所述基于局部拓扑信息和社团相关性的链路预测方法在无权无向的复杂网络中进行；用A表示邻接矩阵，如果节点i和节点j有联系，那么A的第i行第j列上的值为Aij＝1，否则Aij＝0；节点的度被定义为网络中所有与该节点直接相连的节点的个数，节点i的度通常被记为ki，可以用公式表示；定义：Γ(x)为x的邻居集合，其中x可以是节点也可以是社团。
2.如权利要求1所述的基于局部拓扑信息和社团相关性的链路预测方法，其特征在于，所述基于局部拓扑信息和社团相关性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＝{v1,v2,...vn}为网络中的节点集合，E＝{(vx,vy)|vx∈V,vy∈V}代表边的集合，基于网络模型生成邻接矩阵A，其中
步骤二，网络被划分成四个社团，记为C＝{c1,c2,c3,c4}，其中V(c1)＝{1,2,3,4}，V(c2)＝{5,6,7,8,9}，V(c3)＝{10,11,12,13}，V(c4)＝{14,15,16,17}；
步骤三，将网络中所有的节点对(i,j)挑选出来作为候选节点对；
步骤四，利用候选节点对之间的局部拓扑信息计算步骤三所述的节点对之间的相似性值，因为这两对节点都没有共同邻居，所以用局部拓扑信息计算出来的两对节点的相似性值都为0；
步骤五，计算步骤三所述的节点对所在社团的社团相关性；
步骤六，综合考虑局部拓扑信息和社团相关性对节点相似性的影响，重新计算候选节点对之间的相似性值Su,v；采用公式因此节点5和节点10之间的相似性比节点10和节点14之间的相似性高；
步骤七，重复步骤四至步骤六，计算每个节点对的相似性值，并将相似性值按降序排列，构建相似性列表；
步骤八，根据某种相似性准则，获取相似性列表中前N个节点对，这些排在前N个的节点对即为本链路预测方法得出的最有可能在未来产生连边的节点对，其中N为正整数。
3.如权利要求2所述的基于局部拓扑信息和社团相关性的链路预测方法，其特征在于，所述步骤五中具体过程如下：
(1)分别找到候选节点5和10所在的社团c2和c3；
(2)计算V(c2)＝{5,6,7,8,9}，Γ(c2)＝{3,10}，因此Γ(c2)∪V(c2)＝{3,5,6,7,8,9,10}；
(3)同上，求出Γ(c3)∪V(c3)＝{4,7,10,11,12,13}；
(4)计算社团c2和c3的社团相关性为
(5)对(4)中的社团相关性进行归一化，结果为
同理，可得到节点10和节点14分别属于社团c3和社团c4，这两个社团归一化之后的社团相关性为
4.一种利用权利要求1～3任意一项所述基于局部拓扑信息和社团相关性的链路预测方法的预测的链路。
CN201710260562.3A 2017-04-20 2017-04-20 一种基于局部拓扑信息和社团相关性的链路预测方法 Pending CN107248923A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710260562.3A CN107248923A (zh) 2017-04-20 2017-04-20 一种基于局部拓扑信息和社团相关性的链路预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710260562.3A CN107248923A (zh) 2017-04-20 2017-04-20 一种基于局部拓扑信息和社团相关性的链路预测方法

Publications (1)

Publication Number Publication Date
CN107248923A true CN107248923A (zh) 2017-10-13

Family

ID=60017445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710260562.3A Pending CN107248923A (zh) 2017-04-20 2017-04-20 一种基于局部拓扑信息和社团相关性的链路预测方法

Country Status (1)

Country Link
CN (1) CN107248923A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918543A (zh) * 2019-02-26 2019-06-21 华中科技大学 一种图流中针对节点的链路预测方法
CN112966156A (zh) * 2021-03-23 2021-06-15 西安电子科技大学 基于结构扰动与线性优化的有向网络链路预测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918543A (zh) * 2019-02-26 2019-06-21 华中科技大学 一种图流中针对节点的链路预测方法
CN112966156A (zh) * 2021-03-23 2021-06-15 西安电子科技大学 基于结构扰动与线性优化的有向网络链路预测方法
CN112966156B (zh) * 2021-03-23 2023-03-21 西安电子科技大学 基于结构扰动与线性优化的有向网络链路预测方法

Similar Documents

Publication Publication Date Title
Zeng et al. Fmore: An incentive scheme of multi-dimensional auction for federated learning in mec
Song et al. Flexible job-shop scheduling via graph neural network and deep reinforcement learning
Xu et al. An edge computing-enabled computation offloading method with privacy preservation for internet of connected vehicles
Hu et al. Improving one-shot nas with shrinking-and-expanding supernet
CN105677648A (zh) 一种基于标签传播算法的社团发现方法及系统
Tian et al. JMSNAS: Joint model split and neural architecture search for learning over mobile edge networks
Beni et al. A fast module identification and filtering approach for influence maximization problem in social networks
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
CN110287237B (zh) 一种基于社会网络结构分析社团数据挖掘方法
Huang et al. Distributed solution of GNEP over networks via the Douglas-Rachford splitting method
Zhou et al. Emerging edge-of-things computing for smart cities: Recent advances and future trends
CN108614932B (zh) 基于边图的线性流重叠社区发现方法、系统及存储介质
CN115827996B (zh) 一种具有共享约束的社区查询方法及系统
Cao et al. A resource allocation strategy in fog-cloud computing towards the Internet of Things in the 5G era
CN110752594B (zh) 基于改进凝聚层次聚类法的配电网路径优化方法
Yu et al. Proximal Policy Optimization-based Federated Client Selection for Internet of Vehicles
Long et al. BBTA: Detecting communities incrementally from dynamic networks based on tracking of backbones and bridges
CN115809708A (zh) 中等规模有噪声量子计算机的量子位自适应映射方法
CN113065073B (zh) 一种城市的有效路径集搜索方法
Chen et al. A Multi‐label Propagation Algorithm for Community Detection Based on Average Mutual Information
CN111431743B (zh) 基于数据分析的大规模WiFi系统中边缘资源池构建方法及系统
CN106599187B (zh) 一种基于边不稳定度的社区发现系统及方法
Zhang et al. Meta Structure Search for Link Weight Prediction in Heterogeneous Graphs
CN110852568A (zh) 一种区域产业网络构建及产业重要性评价方法
Huang et al. Social network coalescence based on multilayer network model

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171013