摘要：社交网络链路预测旨在根据已知的网络信息预测未来的链接关系,在推荐系统和合著网络中具有重要作用.然而,现有链路预测算法往往忽视社交网络的多元演化特点,训练时间复杂度较高,限制其执行效率.针对上述问题,文中提出基于多演化特征的社交网络链路预测算法(Multi-evolutionary Features Based Link Prediction Algorithm for Social Network,MEF-LP).首先,设计一种简单高效的时间极限学习机模型,利用门控网络和极限学习机自编码器传递与聚合社交网络快照序列的时间信息.然后,构建多个深度极限学习机,对时间特征进行多角度映射,挖掘社交网络不同的演化特征,并最终融合成综合演化特征.最后,使用基于极限学习机的分类器完成链路预测.在6个真实社交网络上的实验表明,MEF-LP能合理学习社交网络的多演化特征,并获得较优的预测性能.

摘要：以中小机场航线网络为研究对象,利用链路预测理论与评价方法,从网络外生属性与内生因素角度各自建立了4种预测接近性指标,比较各指标的预测效果,并进一步设计出3种耦合接近性预测算法,选取预测精度最好的算法预测中小机场未来新增航线,并对预测结果进行实际检验。结果显示,4种内生因素指标的预测精确度均高于除起降架次以外的外生属性指标,其中局部路径(Local Path,LP)指标的预测精确度最高,挖掘网络内部的结构信息更有利于预测网络连接情况,耦合算法的预测效果优于单个指标。基于耦合算法的预测结果与未来新增航线对比发现,预测的中小机场航线在未来新增航线中占比高于1/3,预测航线主要集中在东部地区,多数中小机场依然会选择中心城市连接,结果较为符合中小机场实际连接情况。

摘要：为使链路预测应用于大型复杂网络,设计并实现了一种基于MapReduce计算模型的并行链路预测算法,包含了9种基于局部信息的相似性指标,在稀疏网络上的时间复杂度为O(N).首先,在公共数据集上验证了并行算法的有效性,随着抽取因子的增加,召回率升高而准确率下降.在不同类型的10个大规模复杂网络数据集上的实验结果表明,基于MapReduce计算模型的并行链路预测算法比传统算法具有更高的效率,算法的运行时间随着并行程度的增加而下降.提出并证明了AUC(area under a receiver operating characteristic curve)评价指标的上下界,实验表明,上下界的中值和实际AUC值很接近,并且AUC评价指标侧重于预测分数值是否为0而不是分数值的大小.在网络拓扑性质中,平均聚集系数对AUC值的影响最大,并且AUC值随着网络平均聚集系数的增加而提高.

摘要：为了提高跨社交网络局部时序链路预测的精度和平稳性,提出了基于Hadoop的跨社交网络局部时序链路预测算法。该算法选取了6种跨社交网络节点相似性指标,采用Hadoop的核心组件MapReduce设计了一种并行运算模型,分割处理跨社交网络内的海量并行数据,降低了运算复杂度。运用基于MapReduce并行运算模型的局部时序链路预测算法和所选取的节点相似性指标,获得网络内点对间的预测分数值,实现了跨社交网络局部时序链路预测。实验结果表明,本文算法的预测精度较高,且能够保持平稳的预测状态,具有较好的综合预测性能。

摘要：网络是表达对象之间复杂联系的重要形式,广泛存在。而链路预测作为网络分析的重要方法,具有很大的研究意义和应用价值。传统的链路预测算法普遍是基于邻接矩阵的稀疏表示方案而设计,计算效率低且扩展性差。首先引入网络表示学习的概念,创新性地提出基于几何布朗运动的随机游走算法GbmRw,然后进一步设计出网络表示学习算法GBMLA,实现更具区分能力与表达能力的网络表示,最后以节点表示向量的欧式距离来表征节点之间的相似性,从而预测其链路存在的可能性。不同领域的多个网络中进行反复实验的结果表明,该算法较之于基于原始网络设计的传统算法,预测效果得到了明显的提升,也进一步肯定了网络表示学习对于链路预测工作的重要意义。

摘要：隐朴素贝叶斯模型(HNB)和树增强朴素贝叶斯模型(TAN)通过挖掘共邻节点之间的内在关联缓解局部朴素贝叶斯模型(LNB)的强独立性假设,却忽略了真实网络中同时存在关联紧密的节点和相对独立的节点。在此基础上设计一种分包准则,将共邻节点划分为关联共邻节点和独立共邻节点,然后分别对HNB和TAN做分包改进,提出基于分包的混合朴素贝叶斯模型。在平均共邻节点数高的FWFW网络上,分包后HNB和TAN模型与原模型相比AUC值分别提升12%和11.6%。实验结果表明,所提方法能有效提升链路预测性能,并且具有良好的鲁棒性。

摘要：为解决因网络数据分布不均匀性而造成的链路预测问题,提出一种改进的代价敏感型链路预测算法(Link Boost).设计一种有监督链路预测可变代价损失函数,该函数对低节点度有链路节点对出现分类错误时的惩罚大于高节点度有链路节点对,解决了节点度的分布偏差.考虑到以损失函数优化为目标的链路预测算法将导致社区内预测链路数量大于社区间的链路数量,进而设计一种Boosting算法来实现损失函数最小化.通过将网络分为多个分区,并对各个分区构建的弱学习器进行融合,提高了算法的可伸缩性.利用4个真实网络数据集进行性能评估.研究结果表明:Link Boost算法的性能与许多当前算法的性能相当或者优于当前算法.

摘要：链路预测是根据已有的网络结构等指标来对网络中尚未产生连边的两个节点间存在边的可能性大小进行预测。链路预测算法在社会网络中的应用是非常广泛的,且都具有很好的预测效果。但由于真实网络往往具有纷繁复杂的演化机制,这使得很难利用某一单指标去准确刻画,并且每种指标在不同网络结构中的预测效果各不相同,现有链路预测算法都是针对特定网络结构才可能有的最佳效果,缺乏普适性。本文基于均匀配方实验设计方法,构建了混合相似性指标,提出了改进的链路预测算法,并将其应用于微博社交网络和生物代谢合作网络中。研究结果表明,改进后的链路预测算法的预测准确性明显优于已有的链路预测算法,说明新构建的混合相似性指标具有一定的普适性;其次,试验设计方法大大缩减了混合相似性指标构建中最优权重确定的迭代次数及其复杂度。

摘要：[目的/意义]药物组合相比单一药物在临床治疗中存在多种优势,但药物数量的快速增长为药物组合筛选和推荐带来挑战,因此设计有效的预测方法为药物研发人员推荐更易产生协同作用的药物组合从而提高筛选效率具有重要意义。[方法/过程]面向疾病并发症诊疗需求,基于链路预测构建协同药物组合推荐模型,首先利用SAO语义挖掘识别医学文献中的并发症信息,在此基础上利用医学数据库构建"疾病-药物-靶点"异质网络,并引入链路预测方法对网络进行药物作用机制的相似性评估,预测哪些药物组合更可能产生协同作用,进而依据预测结果针对某个疾病或某对并发症进行药物组合推荐。[结果/结论]肠道疾病数据实证分析结果表明协同药物组合预测模型具有有效性和实用性。

摘要：当前,针对知识网络的链路预测主要是基于网络拓扑结构的相似性,很少考虑作者的研究领域,导致信息利用不充分等问题,因此本文提出了双层知识网络的链路预测框架hypernet2vec。双层知识网络,即作者合著关系网络和学术领域关系网络,利用网络表示学习,分别将两层网络中的节点映射到低维的向量空间,再输入到专门设计的卷积神经网络中计算并进行链路预测。与经典的链路预测指标如RA指标、LP指标和LRW指标等相比,hypernet2vec模型预测的AUC(area under curve)值取得了显著的提升,平均提升幅度达11.17%。文章还从情报产生层面和复杂系统层面,对模型发生作用的深层机理进行了探讨。