论文部分内容阅读
随着互联网技术的发展,链路预测作为研究复杂网络的重要手段之一,具有重要的理论和现实意义。近年来,该方向的研究成果层出不穷,然而现有算法在充分提取网络信息方面仍存在不足,不能准确且高效地预测缺失链路。为了解决以上问题,本文首先利用社区发现算法提取复杂网络中的结构信息,再与节点信息进行融合,充分利用复杂网络中的信息,提出一种融合社区结构信息和节点信息的链路预测算法。内容概述如下:一、针对模块度分辨率受限和传统差分进化准确性与收敛速度方面的问题,提出结合改进差分进化和模块密度的社区发现算法(Improved Differential Evolution and Modularity Density Community Detection,IMDECD)。首先调整差分进化的变异策略和参数,再将模块密度作为适应度函数以克服模块度分辨率限制;最后根据社区结构进行修正操作,以提高种群中的个体质量,加快全局收敛速度。二、针对现有的链路预测算法在大规模网络耗时较长或者预测结果不准确的问题,利用社区结构中的结构信息,融合节点相似性,提出融合社区结构信息和节点信息的链路预测算法(Link Prediction Algorithm Integrated with Community Structure Information and Node Information,LPCN)。首先基于模块密度以及划分后的社区结构,定义一种在不同分辨率下的社区相似性指标;然后考虑网络中的节点信息,计算节点相似性;最后融合社区结构信息和节点信息得到融合相似性指标进行链路预测,可以充分利用网络信息,提高算法预测准确度。最后,本文通过对比实验对所提算法的可行性进行验证,结果表明IMDECD算法具有更好的准确性和收敛性能,能够得到更优的社区发现结果,可以有效提取出社区结构中的结构信息;将提取的社区结构信息与节点信息相融合进行链路预测的LPCN算法,也拥有更好的预测效果,兼顾了时间复杂度和预测准确度。