时态网络节点相似性度量及链路预测算法

详细分析和阐述了时态网络中的链路预测问题，将时态网络按时间顺序划分为具有相同时间间隔的多层网络快照序列.针对基于共同邻居的相似性指标对网络链路刻画粒度较粗糙的问题，提出了基于邻居节点聚类系数的相似性度量指标NCC和NCCP，并基于此提出时态网络链路预测算法.通过在真实数据集上的对比实验验证了利用邻居节点的聚类信息可以提高预测精度.利用真实邮件数据集验证了所提出的链路预测算法预测效果的优越性，并且实验结果证明越接近预测时间的网络结构对预测结果影响越大.     

基于趋势信息的时间序列分类方法

大部分时间序列数据分析的一个重要组成部分是相似性度量方式.在众多相似性度量方式中,基于最长公共子序列的相似性度量方式是一种常用的有效方法,但该方法仅仅度量序列点对点的数值差异,而忽略了序列的变化趋势.为此提出一种基于趋势信息的时间序列离散化方法并用最长公共子序列进行相似性度量.该方法能够很好地度量时间序列的趋势信息.此外,还将其与现有的点对点函数线性结合.与现有相似性度量方法不同,该方法能同时考虑时间序列的趋势信息和函数距离,相似性度量方案运用最近邻分类算法规则进行分类.为了进行全面的比较,在42个时间序列数据集上测试该算法的有效性.实验结果表明,所提出的方法能有效提高时间序列分类准确率.     

基于聚类系数和节点中心性的链路预测算法

目前复杂网络领域受到越来越多人的广泛关注.其中链路预测是复杂网络研究中的一个热门的分支,被作为预测缺失链路和识别虚假链路的有效手段.传统基于相似性的复杂网络链路预测主要考虑每个节点的某个相似性指标,而该文提出一种基于聚类系数和节点中心性(CCNC)的链路预测算法,将度、聚类系数和节点中心性3个相似度指标结合,引入到复杂...     

基于热传导的随机游走链路预测算法的分析与研究

通过观察现有链路预测算法在社交网络推荐系统中的表现,我们发现一些预测算法不能很好的满足特定网络的需求.受现有链路预测算法的启发,本文提出了一种基于热传导的随机游走链路预测算法,算法中加入了基础节点,使得算法效率更高.实验结果表明,基于热传导的随机游走链路预测算法在社交网络推荐系统中的表现优于基于节点相似性的链路预测算法.     

符号网络中融合聚集系数与符号影响力的链路预测算法

为快速、准确地实现符号社会网络中的链接预测与符号预测双重目标，提出一种融合共同邻居节点的聚集系数与连边符号影响力的链路预测算法。基于结构平衡理论，有效利用节点的度、聚集系数、路径上的中间传输节点、连边符号及其影响力等信息，分别定义了两节点基于一阶共同邻居和二阶共同邻居的相似性，最终得到两节点的总相似性得分，用其绝对值度量两节点建立链接的可能性，通过其符号获得链接的符号预测结果，从而实现符号网络中的链路预测。在6个有代表性的符号网络数据集上进行了实验，以AUC、调整的Precision’、Accuracy等为评价指标，对比了多个符号网络链接预测算法，并进行了可调步长参数的敏感性分析。实验结果表明，所提算法在符号网络链接预测与符号预测两方面均达到了较好的性能，无论是稀疏网络还是负链接预测，准确性均高于其他算法。     

基于改进TADW的链路预测算法

针对经典的节点相似性链路预测算法只考虑网络拓扑结构或者节点属性信息的问题,使用词嵌入模型Word2vec学习得到节点文本属性信息的表示,进而改进TADW(text-associated deep walk)算法,弥补其语义信息表示能力的不足.基于改进的TADW图嵌入方法提出一种融合网络拓扑结构和节点属性信息的相似性指标,并基于此相似性指标提出链路预测算法.在三个真实数据集上的实验结果表明所提出算法可以提高预测精度,并具有更好的鲁棒性,同时使用图嵌入的方法有效解决了网络数据的稀疏性问题.     

基于图注意力和特征融合的链路预测方法

链路预测是一种还原网络缺失信息的方法，通过当前已观察到的链路，预测实际存在但未被观察到的链路或可能出现的新链路.当前链路预测主要是基于图神经网络的深度学习方法，相比基于规则的启发式方法，前者可有效利用网络拓扑结构信息，较大地提升了网络链路预测性能，并可应用到类型更广泛的网络中.但是现有基于图神经网络的方法，仅利用网络中节点相对位置信息，忽视了节点基本属性和链路的邻居信息，且无法区分不同节点对链路形成的重要程度.为此，本文提出一种基于图注意力网络和特征融合的链路预测方法.通过增加节点的度、链路的共同邻居数量和共同邻居最大度等特征，丰富了网络的输入特征信息.本文首先提取以目标节点对为中心的子图，然后将其转化为对应的线图，线图中的节点和原图中的链路一一对应，从而将原图节点和链路信息融合到线图的节点中，提升了特征融合的有效性和可解释性.同时本文使用图注意力机制学习节点的权重，增强了特征融合的灵活性.实验表明，本文所提出的方法，在多个不同领域数据集上的AUC和AP均超过90%,在已观测链路缺失较多时，预测性能保持80%以上，且均优于现有最新方法.     

一种基于节点路径信息相似性的预测方法

链路预测计算是在复杂网络分析任务中最重要和最具挑战性的任务之一,能根据网络中现有的链接预测缺失的链接并广泛应用于多种学科领域,包括社会网络分析、推荐系统和生物网络等.文中提出一种基于路径节点信息相似性的预测方法,该预测方法是利用节点共有的特征信息来推测下一个相关的路径节点信息,从而优化现有的基于路径预测方法.首先,由于...     

基于路由矩阵的网络透视度量方法研究

在研究网络透视方法时,为对网络拓扑结构中相关方面进行数据分析,提出了基于网络路由矩阵的度量方法.为寻找网络中重要链路和路径,分别对单链路和单路径度量进行定义;为发现链路间和路径间的相互关系,分别对链路间和路径间的相似度量以及它们的相异度量进行定义,并且分析各度量的性质并用OPNET仿真平台进行实验说明.该度量方法可以帮助网络研究人员根据实际情况选取网络重要位置部署性能监测点,同时可以用于分析网络链路间和网络路径间的依赖关系,并且评价网络透视方法的推断精确度.     

基于互信息与贝叶斯信念网络的关系层次距离混合聚类算法

聚类是数据挖掘中重要的功能算法,其主要的功能是发现数据中潜在的知识.目前文献发表的聚类算法多数仅限于处理单一数值型数据或者分类型数据,其主要原因是含有多种类型的混合型数据间的相似性很难度量.本文提出了一种混合数据相似性度量方法:对于分类型属性,利用互信息构建贝叶斯信念网络,利用贝叶斯信念网络构建关系层次,继而为层次附上距离,形成关系层次距离,而对于数值型属性则利用标准化的曼哈顿距离来度量其相似性,最后结合分类型属性与数值型属性来对整个数据集进行相似性的度量.在此基础上,设计实现了用于混合型数据聚类算法CRHD,并通过UCI中的多个数据集和已有算法进行仿真实验对比,证明了CRHD算法的有效性.