论文部分内容阅读
社交网络作为一种在线社交媒体得到了极大的普及,社交网络形态呈现多样化的发展趋势,综合性社交网站如新浪微博等,小众性社交网站如领英、豆瓣等,即时通讯软件如QQ、微信等,这些社交网络不断涌现。链路预测作为研究复杂网络中节点与节间关系的核心问题,受到各个领域研究者的重视和关注。如何通过链路预测分析社交网络的结构和演化,理解人与人之间的社交方式,提高用户社交体验,揭示社交网络内在演化趋势的研究变得更加紧迫和有意义。本文通过对现有的链路预测方法中节点间链接的“可能性”仅根据节点的属性或结构相似性进行计算,同时在进行预测时未能考虑到节点的属性特征信息的问题开展研究,提出了属性亲和力的概念,并提出了基于属性亲和力的链路预测算法,取得了良好的效果。本文主要的工作及创新点如下:(1)提出采用矩阵表示节点属性的方式对节点属性进行表示,并利用不同节点属性的特点对节点的取值进行区间划分,优化了节点属性的取值表示。同时将节点属性进行划分,并根据不同网络进行不同的属性侧重,提升了MAG(Multiplicative Attribute Graph,乘法属性图)模型生成的属性亲和力的准确性。(2)提出基于属性亲和力的社交网络链路预测算法,通过计算属性亲和力并根据亲和力矩阵计算链接相互连接的可能性,解决现有相似性指标未能考虑到节点属性的“异质性”和“随机性”,从而错误的计算了用户间链接的可能性的问题。(3)实现了对社交网络中孤立节点的链路预测。考虑了社交网络普遍存在的孤立节点问题,通过将孤立节点单独考虑,利用孤立节点仅有的节点属性进行链路预测,从而解决传统方法孤立节点因不存在结构属性而导致无法进行链路预测的问题。最后通过实验证明基于属性亲和力的链路预测可以取得较好的效果,实现了社交网络链路预测,相比于以往的链路预测算法,其精确性得到了提升。