论文部分内容阅读
链路预测的目标是根据节点间已知链路及节点的属性,估计节点间链路存在的可能性。近年来,链路预测问题正受到越来越多国内外学者的关注,这是因为准确的链路预测算法可为研究一些基本的网络演化机制及路由等上层协议提供支撑,并能应用于推荐系统、公共安全领域的舆情监控等领域。由于机会网络具有节点移动性、节点间间歇性连接和节点资源有限等特点,机会网络的链路预测是机会网络研究中的热点和难点。本文研究机会网络的链路预测方法,针对机会网络拓扑随时间变化频繁的特点,论文结合网络中链路历史信息及二阶邻居信息,构建了反映机会网络链路随时间动态变化的相似性指标O_AA;采用条件深度信念网络(Conditional Deep Belief Network,CDBN)构建链路预测模型,提取链路随时间变化的特征;以所提出的相似性指标作为基础样本,采用时间序列法构造样本空间;通过实验确定网络参数,提出单层自适应学习率,以优化训练过程;采用Logistic Regression分类器对机会网络的链路进行预测。论文采用受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC)中的AUC和Precision作为评价指标,在MIT Reality和Infocom05数据集下,对本文提出的相似性指标O_AA的可行性进行了验证;采用ROC中的Precision、Accuracy作为评价指标,在MIT Reality和Infocom05数据集下设计多组对比实验,验证CDBN预测模型的有效性。实验结果表明,相似性指标O_AA能够更好地反应机会网络链路的变化情况;单层自适应学习率能够加快CDBN预测模型的收敛速度,提高了CDBN预测模型的计算效率;与深度信念网络模型相比,CDBN预测模型能够更好地提取链路随时间变化的特征,获得了更好的预测效果。