復(fù)雜網(wǎng)絡(luò)中基于模式的鏈接預(yù)測.pdf

1、復(fù)雜網(wǎng)絡(luò)中的鏈接預(yù)測一直以來都受到研究者們的關(guān)注，它通過分析已知網(wǎng)絡(luò)的信息，建立復(fù)雜的模型來預(yù)測網(wǎng)絡(luò)中未知的鏈接和未來可能產(chǎn)生的鏈接。鏈接預(yù)測對于探索以復(fù)雜網(wǎng)絡(luò)為模型的應(yīng)用背后的規(guī)律有著極為重要的作用。傳統(tǒng)的鏈接預(yù)測主要針對于復(fù)雜網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，試圖通過已有的鏈接關(guān)系發(fā)現(xiàn)新的鏈接，從而探索網(wǎng)絡(luò)中隱含的知識。然而，傳統(tǒng)方法并未充分合理地利用復(fù)雜網(wǎng)絡(luò)中蘊(yùn)含的豐富屬性信息，而屬性信息對于網(wǎng)絡(luò)中鏈接的形成具有重要的作用。基于以上考慮，本文將復(fù)雜

2、網(wǎng)絡(luò)中的多維屬性信息與原有的鏈接預(yù)測模型進(jìn)行結(jié)合，研究基于屬性的鏈接預(yù)測問題。
　　由于復(fù)雜網(wǎng)絡(luò)中大多數(shù)點(diǎn)對之間未鏈接，而未鏈接的點(diǎn)對作為不可信反例無法有效用于傳統(tǒng)預(yù)測模型中，因此本文利用PU學(xué)習(xí)思想（Positive and Unlabeled Learning），提出一種基于屬性的鏈接模式挖掘算法，該算法將未鏈接的點(diǎn)對以合理的方式引入訓(xùn)練模型，從組合特征的角度挖掘鏈接模式，并設(shè)計(jì)D指標(biāo)過濾具有區(qū)分力的鏈接模式，通過基于屬性的鏈

3、接模式從整體上刻畫網(wǎng)絡(luò)中鏈接形成的原因。同時(shí)針對鏈接預(yù)測問題，本文通過圖的聚集計(jì)算求解基于屬性的鏈接模式強(qiáng)度，并利用模式構(gòu)造個(gè)性化概率轉(zhuǎn)移矩陣，從而建立基于鏈接模式的局部隨機(jī)游走模型(PBLRW)。本文提出的預(yù)測方法區(qū)別于傳統(tǒng)的隨機(jī)游走預(yù)測方法，以屬性特征作為依據(jù)，構(gòu)建個(gè)性化的概率轉(zhuǎn)移矩陣，使得關(guān)系緊密的節(jié)點(diǎn)之間獲得更高的隨機(jī)游走概率，從而最終產(chǎn)生更為精確的預(yù)測效果。
　　本文分別在UCI數(shù)據(jù)集、政治博客(Political Bl

4、ogs)數(shù)據(jù)集和新浪微博數(shù)據(jù)集上進(jìn)行了多組實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明:(1)本文提出的鏈接模式挖掘方法能夠挖掘并過濾出具有較強(qiáng)區(qū)分力的模式，這些模式對于類別具有明顯的區(qū)分能力，因此能夠很好地刻畫鏈接是否產(chǎn)生的內(nèi)在原因;(2)本文提出的基于模式的鏈接預(yù)測模型，能夠充分利用屬性知識構(gòu)造個(gè)性化的概率轉(zhuǎn)移矩陣，克服了傳統(tǒng)隨機(jī)游走模型中轉(zhuǎn)移概率固定的缺陷;(3)對于政治博客數(shù)據(jù)集和新浪微博數(shù)據(jù)集的實(shí)驗(yàn)表明，本文提出的模型在各項(xiàng)綜合指標(biāo)上均優(yōu)于傳統(tǒng)的鏈接預(yù)