论文部分内容阅读
最近,复杂网络中的链路预测问题无论是在物理研究领域还是在计算机科学研究领域受到越来越多的人关注。链路预测主要是根据网络的拓扑结构和节点的属性来预测网络中不相连两个节点的关系,包括对网络未知边和未来边的预测两个方面。显然,网络中的一些结构特征可以很好的提高链路预测的精度。因此,如何应用网络的结构属性去提高网络链路预测的性能这是很有意义的事情。对此,本文主要分为以下三个方面：(1)首先定义了局部群落结构的概念,然后对大量真实网络进行实验分析,发现了一个网络中普遍存在的现象：网络中的节点更偏向连接具有局部群落结构特征的节点(PWCS)。(2)应用PWCS现象指导链路预测建立朋友推荐模型(FR),实验表明FR指标要优于经典的CN指标、AA指标和RA指标。然后具体分析了FR指标与RA指标的差异性,得到以下结论：只要RA指标能预测出来的边,FR指标也可以预测,反之则不然。最后,本文还通过参数设定建立更一般的朋友推荐模型(GFR),实验表明：如果网络具有PWCS现象,则加强局部群落结构对朋友推荐模型的影响,链路预测的效果会越好；如果PWCS现象更明显,即使参数达到最大值,局部群落结构的影响还是远远不足,链路预测的效果还有待提高；如果网络不具有PWCS现象,链路预测的效果会随着参数增加越来越差。基于上述实验结果,根据网络是否具有PWCS现象和PWCS现象是否明显设计出更好的混合朋友推荐模型,进一步提高了链路预测的精度。(3)把朋友推荐模型推广到加权网络,实验表明在加权网络上朋友推荐模型(WFR)要优于WCN指标、WAA指标和WRA指标。但是还发现WFR指标预测结果却不及该网络无权时的FR指标,分析考虑其权重可能不能正确反应推荐关系,本文按照共同邻居的个数重新定义一个伪权重,然后应用到WFR,实验表明预测效果要优于FR指标。