论文部分内容阅读
自1998年Watts和Strogtz提出了小世界网络模型,1999年Barabási和Albert提出了无标度网络模型以来,复杂网络科学呈现爆炸式发展,研究者们为现实中各复杂系统建立了复杂网络模型,如交通网络、生态网络和社交关系网络等。为了更有效的解决现实问题,如交通堵塞和生态系统保护等问题,学者们进而开始研究各种复杂网络系统的行为和特性,比如复杂网络的演化机制、连通性和抗毁性等,并发现这些行为和特性离不开复杂系统中个体本身的行为,更离不开个体与个体之间的关联关系。而链路预测为挖掘个体与个体之间的关联关系提供了有效的预测机制,研究者为了更高效地挖掘复杂网络的行为和特征,提出了很多不同类型的链路预测算法。通过对比这些链路预测算法,发现它们很少考虑节点间的高阶相似性关系,并且基于节点低阶相似性关系的链路预测算法预测性能表现较差。基于此,本文研究了三种基于节点高阶特征的链路预测算法,均在不同的方面对链路预测性能有所提升。(1)提出了一种基于高阶近似的链路预测算法。该方法将高阶网络表示学习算法与链路预测相结合,考虑了节点与节点之间的高阶相似性关系。同时经过在四个真实的数据集上的实验仿真,结果表现出基于高阶近似的链路预测算法具有较好的预测性能。(2)提出了一种基于复杂网络引力场的链路预测算法。该方法从物理学的角度考虑目标节点与网络中其他节点之间的高阶特征,将复杂网络中的节点抽象为万有引力场中的质点,同时将节点的度值这一节点重要性评估方法作为衡量节点重要性的方式,从而构建了复杂网络引力场模型,并将其应用到了链路预测中。经过实验仿真,基于复杂网络引力场的预测算法表现出了较好的预测性能。(3)提出了一种基于节点收缩和复杂网络引力场的链路预测算法。该方法在本文提出的基于复杂网络引力场的链路预测算法的基础之上,将节点收缩这一节点重要性评估方法作为衡量节点重要性的方式,提出了改进的复杂网络引力场模型,并将其应用到了链路预测中。经过实验仿真,结果表明,在基于复杂网络引力场的链路预测算法的实验结果的基础之上,基于节点收缩和复杂网络引力场的链路预测算法还得到了一定程度的提升。