基于拓撲相似性的動態(tài)網(wǎng)絡鏈路預測方法.pdf

1、復雜網(wǎng)絡作為建模分析復雜系統(tǒng)的有效工具，正吸引著眾多學者的研究興趣，真實世界的復雜系統(tǒng)通常隨著時間不斷演化改變，而本文研究的動態(tài)網(wǎng)絡恰好能夠合理刻畫這種動態(tài)特性。對動態(tài)網(wǎng)絡將來某時刻邊的預測，即動態(tài)網(wǎng)絡鏈路預測問題，在諸如在線產(chǎn)品推薦、社交網(wǎng)絡好友推薦或生物分子功能交互檢測等領域中具有極大的應用背景和實用價值。
　　目前，大部分鏈路預測工作都集中在靜態(tài)網(wǎng)絡上，其中基于共同鄰居(Common Neighbor, CN)相似性的鏈路預

2、測方法最為人們熟知，由于其計算簡單且時間復雜度低，還經(jīng)常被擴展到動態(tài)網(wǎng)絡鏈路預測上，如CN-last和CN-all方法，然而這兩種方法忽略了動態(tài)網(wǎng)絡中邊的時序性這個重要信息，使得其預測準確性不夠理想。本文給出了廣義共同鄰居(Generalized Common Neighbor, GCN)的定義，用來計算兩個頂點在動態(tài)網(wǎng)絡中廣義上的共同鄰居個數(shù)，結合邊的時序性，給出了三種基于廣義共同鄰居的相似性計算方法，包含GCN-E, GCN-L和G

3、CN-IL，基于廣義共同鄰居相似性，提出了一個動態(tài)網(wǎng)絡鏈路預測的方法，這種方法保留了共同鄰居復雜度低的特點，同時有效利用了動態(tài)網(wǎng)絡的時序性信息，可以提高預測準確性。
　　本文在人工合成數(shù)據(jù)和真實網(wǎng)絡數(shù)據(jù)上，對提出的動態(tài)網(wǎng)絡鏈路預測方法進行了實驗研究。實驗結果表明，本文提出的GCN-E、GCN-L和GCN-IL三種方法得到的預測準確度相差不大。而與CN-last和CN-all方法相比時，預測效果有明顯提升，如GCN-E在所有實驗的三