论文部分内容阅读
随着信息技术的发展,在线社交网络已变得越来越流行,社交网络成为了一种人与人之间进行交互的新方式。人们在使用社交网络的过程中产生了海量的数据,如何从社交网络数据中分析与挖掘潜在的用户关系进而辅助商业决策成为了研究热点。链路预测作为一种用来发现用户之间潜在关系的社交网络分析技术,在近些年来获得了大量的关注。社交网络链路预测通过利用当前社交网络中的数据信息来预测用户之间将来可能产生的链接关系,对社交网络分析起到了重要作用。目前主流的社交网络链路预测方法可分为基于用户之间相似度计算的非监督式链路预测方法,以及基于机器学习的监督式链路预测方法。这些方法中可能存在以下缺陷:没有充分利用到用户基本属性信息、需要额外的缺失数据处理过程,以及模型缺乏较好的可解释性。针对现有链路预测算法中存在的缺陷,本文提出一种基于贝叶斯网络的监督式社交网络链路预测算法。根据用户之间在基础属性信息以及关系网络结构上的相似程度,从社交网络数据中提取出用户之间的用户属性“相似性”特征,以及网络结构“相似性”特征。贝叶斯网络作为一种概率图模型,能够充分学习出变量之间的相互关系。本文利用贝叶斯网络来学习用户属性与网络结构的众多“相似性”特征以及链接关系之间的概率分布,进而更准确地预测出用户之间产生链接的概率。充分利用先验知识来优化构建贝叶斯网络结构,并利用EM算法改进贝叶斯网络参数学习方法使得算法适合处理数据缺失问题。使用AUC与精确率作为链路预测算法的性能评估指标。通过设计实验,对比常用链路预测算法,评估基于贝叶斯网络的链路预测算法的预测准确率以及对缺失数据的处理能力,并分析社交网络中的各用户属性因素对用户关系的影响程度。实验数据结果表明,在利用到网络结构信息与用户属性信息的情况下,本文提出的基于贝叶斯网络的链路预测方法预测结果的AUC与精确率值均高于常用链路预测算法。同时,在不同程度数据缺失的情况下算法仍然具有较高的预测准确性。