论文部分内容阅读
链路预测作为一种挖掘数据之间潜在关系的重要方法,是指利用已知的网络节点与结构信息预测网络中未连接的节点之间产生连边的可能性。传统的链路预测算法主要基于静态网络,而现实生活中绝大多数网络是动态的,因此原有的算法性能受到了限制。本文在传统的链路预测算法基础上,利用网络的结构信息与时间信息,针对动态网络链路预测研究中的两个主要问题:1.静态网络中节点之间相似性的衡量,2.节点之间未来相似性的预测,分别提出了基于混合结构信息的相似性指标与奖励预测模型,并最终得到适用于动态网络的混合结构奖励预测算法。主要的研究内容包括:1.静态网络中混合结构相似性指标的研究。为了充分利用网络的演化过程与时间信息,本文将总网络按照历史时间均分为多个子网络,建立网络的时间序列,利用子网络中节点之间相似性的变化过程表征网络的演化过程。由于子网络都是静态网络,本文利用基于网络结构信息的相似性指标来衡量子网络中每个节点对之间的相似性大小,并在局部结构信息基础上,引入共同邻居之间的连边信息,提出了一种适用于静态网络的混合结构相似性指标。2.动态网络中混合结构线性回归算法的研究。本文在适用于静态网络的混合结构相似性指标基础上,与线性回归模型相结合,得到了一种适用于动态网络的混合结构线性回归算法。该算法通过混合结构相似性指标建立节点之间的相似性分数时间序列,采用线性回归模型预测节点之间未来的相似性大小,并计算最终的相似性分数,完成动态网络链路预测。3.动态网络中混合结构奖励预测算法的研究。链路预测研究中,预测模型直接影响到算法的最终性能。本文在混合结构线性回归算法的基础上,进一步研究预测模型,提出了一种奖励预测模型,并将该模型与混合结构相似性指标相结合,得到了一种适用于动态网络的混合结构奖励预测算法。该算法充分利用了网络的结构特性与演化过程,在真实的网络数据集中,相比传统的静态算法与动态算法具有更高的预测精度。