一种基于局部有效路径度的链路预测方法技术

一种基于局部有效路径度的链路预测方法，包括以下步骤：步骤一：建立网络模型；步骤二：任意选取网络中两个未连接的节点作为种子节点，记录两个种子节点之间长度为2的每一条路径的局部路径度；步骤三：计算两个种子节点之间长度为3的每一条路径的局部路径度；步骤四：计算两个种子节点的局部有效路径度相似性指标；步骤五：对所有未连接的节点对，重复执行步骤二到四，计算相应的局部有效路径度相似性指标值；步骤六：将所有未连接节点对的相似性指标值从高到低排序，数值越高则相应节点对之间出现连边的可能性越大，取前E个指标值对应的节点对为预测连边。本发明专利技术考虑了局部路径中度分布和连边强度对链路预测的影响，信息利用率高，预测效果好。

【技术实现步骤摘要】

本专利技术涉及网络科学和链路预测领域，特别是指一种基于局部有效路径度的链路预测方法。
技术介绍
人们用复杂网络来研究真实系统的内在规律，并获取实际问题的解决途径。链路预测是复杂网络中重要的研究课题之一，链路预测方法可以在已有的网络结构信息的基础上，对任意一个不存在链路的节点对，采用链路预测算法，得出在网络的演化过程中产生链路的可能性。目前已有的链路预测方法有：基于马尔可夫链，基于机器学习和基于网络拓扑结构的方法等，其中基于网络拓扑结构的链路预测方法目前得到了很多研究者的关注，基于网络拓扑结构的方法可以被分为三类：基于相似性的链路预测方法、基于最大似然值的链路预测方法和基于结构一致性的链路预测方法。基于相似性的链路预测方法认为两个节点之间相似性越大，它们之间存在链路的可能性就越大，这种方法包括共同邻居算法CN，Salton指标，Jacczrd指标，HPI指标，AA指标，RA指标，局部朴素贝叶斯指标，katz指标，LHN-II指标和随机游走算法等。基于最大似然值的链路预测算法包括了基于层次结构模型，基于随机分块模型和基于闭路模型三种算法，基于层次模型的模型认为网络是具有层次结构的，通过不断的抽样可以得到似然值最大的层次模型，再将这种层次结构映射到链路预测问题当中，随机分块模型将网络分成了很多个社区，不同节点之间是否存在链路和他们所在的社区存在较大的关系，基于闭路模型的方法发现节点之间存在链路的概率可以用对应网络在加入这条链路之后的似然值来度量。基于结构一致性的链路预测方法认为网络如果越是具有内在的规律性，那么它被预测的可能性就越大，在这个基础上提出的“结构一致性”指标可以用来度量网络的“可以被预测的程度”，基于“结构一致性”提出的“结构微扰法”可以很好的提升链路预测的准确性。这些基于相似性的各种链路预测方法中，大部分的方法不是从两个未连接节点之间的一阶路径(两点之间的路径长度为2)的角度考虑共同邻居对链路预测的影响就是考虑两个节点之间所有路径和路径上的节点对链路预测结果的影响，它们之间折中的方法相对较少，实际上高阶路径虽然包含着大量的网络结构信息，一定程度上是有利于提高链路预测的效果的，但是并不是考虑越高阶的路径对链路预测的效果就越好。比如，吕琳媛和周涛等人提出的LP指标同时考虑了二阶路径和三阶路径，链路预测的效果比仅仅考虑二阶路径的CN，AA和RA指标要好，但是当我们通过分析和比较考虑网络中所有路径的katz指标和其他主流的指标，发现在有些网络中katz的预测效果并不会比CN，AA和RA算法好，同时在朱许振等人的论文中，我们也可以看到当考虑路径的长度大于3的时候评价链路预测准确率的AUC指标呈递减趋势，当我们用LHN-II算法和其他几种经典算法比较的时候也可以发现，这种考虑节点之间所有路径的算法在有些网络中，效果上也比不上经典的CN，AA和RA指标。
技术实现思路
为了克服现有的基于相似性的链路预测方法考虑局部路径中度对链路预测效果影响的不足，本专利技术提出了一种考虑了长度为2和3的局部路径和路径强度对链路预测的影响、可靠性较高、预测效果良好的基于局部有效路径度的链路预测方法。本专利技术解决其技术问题所采用的技术具体步骤是：一种基于局部有效路径度的链路预测方法，包括以下步骤：步骤一：建立网络模型G(V,E)，V代表网络中的节点，E代表网络中的连边；步骤二：任意选取网络中两个未连接的节点x和y作为种子节点，记录种子节点x和y之间长度为2的每一条路径的局部路径度LPD2w＝kw，其中，kw表示第w条路径中间节点的度数，w＝1,2,……,L2，L2表示节点x和y之间长度为2的路径的数量；步骤三：计算节点x和y之间长度为3的每一条路径的局部路径度LPD3m＝k1m+k2m，其中，k1m表示第m条路径中第一个中间节点的度数，k2m表示第m条路径中第二个中间节点的度数，m＝1,2,……,L3，L3表示节点x和y之间长度为3的路径的数量；步骤四：计算节点x和y之间的局部有效路径度相似性指标，α是一个表示路径强度的可调参数，α＞0；步骤五：对网络中所有未连接的节点对，重复执行步骤二到四，计算相应的局部有效路径度相似性指标值；步骤六：将所有未连接节点对的相似性指标值从高到低排序，指标值越高则相应的节点对之间出现连边的可能性越大，取前E个指标值对应的节点对为预测连边，其中，E为取定的正整数，E≤F，F为整个网络中所有未知节点对的总数。本专利技术的有益效果为：考虑网络中长度等于2或3的局部路径，同时考虑路径强度对链路预测的影响，在此基础上提出的链路预测算法具有较高的链路预测准确度。附图说明图1为网络中的任意一个不存在直接连边的种子节点对和它们之间的局部路径示意图，其中，(a)表示网络中任意两个不存在链路的种子节点之间的网络拓扑结构图，(b)表示种子节点之间路径长度为2的局部路径，(c)表示种子节点之间路径长度为3的局部路径，(d)表示节点之间路径长度为4的局部路径。具体实施方式下面结合附图对本专利技术做进一步说明。参照图1，一种基于局部有效路径度的链路预测方法，本专利技术考虑长度为2和3的局部路径(如图1的(b)和(c))，不考虑长度为4(如(d))或大于4的路径，包括以下步骤：步骤一：建立网络模型G(V,E)，V代表网络中的节点，E代表网络中的连边；步骤二：任意选取网络中两个未连接的节点x和y作为种子节点，如图1所示，子图a中黑色节点即表示网络中的种子节点，记录种子节点x和y之间长度为2的每一条路径的局部路径度LPD2w＝kw，其中，kw表示第w条路径中间节点的度数，w＝1,2,……,L2，L2表示节点x和y之间长度为2的路径的数量；步骤三：计算节点x和y之间长度为3的每一条路径的局部路径度LPD3m＝k1m+k2m，其中，k1m表示第m条路径中第一个中间节点的度数，k2m表示第m条路径中第二个中间节点的度数，m＝1,2,……,L3，L3表示节点x和y之间长度为3的路径的数量；步骤四：计算节点x和y之间的局部有效路径度相似性指标，α是一个表示路径强度的可调参数，α＞0；步骤五：对网络中所有未连接的节点对，重复执行步骤二到四，计算相应的局部有效路径度相似性指标值；步骤六：将所有未连接节点对的相似性指标值从高到低排序，指标值越高则相应的节点对之间出现连边的可能性越大，取前E个指标值对应的节点对为预测连边，其中，E为取定的正整数，E≤F，F为整个网络中所有未知节点对的总数。如上所述，本实施的具体实现步骤使本专利技术更加清晰。在本专利技术的精神和权利要求的保护范围内，对本专利技术作出的任何修改和改变，都落入本专利技术的保护范围。本文档来自技高网...

【技术保护点】
一种基于局部有效路径度的链路预测方法，其特征在于：所述链路预测方法包括以下步骤：步骤一：建立网络模型G(V,E),V代表网络中的节点,E代表网络中的连边；步骤二：任意选取网络中两个未连接的节点x和y作为种子节点，记录种子节点x和y之间长度为2的每一条路径的局部路径度LPD2w＝kw，其中，kw表示第w条路径中间节点的度数，w＝1,2,……,L2，L2表示节点x和y之间长度为2的路径的数量；步骤三：计算节点x和y之间长度为3的每一条路径的局部路径度LPD3m＝k1m+k2m，其中，k1m表示第m条路径中第一个中间节点的度数，k2m表示第m条路径中第二个中间节点的度数，m＝1,2,……,L3，L3表示节点x和y之间长度为3的路径的数量；步骤四：计算节点x和y之间的局部有效路径度相似性指标,α是一个表示路径强度的可调参数，α＞0；步骤五：对网络中所有未连接的节点对，重复执行步骤二到四，计算相应的局部有效路径度相似性指标值；步骤六：将所有未连接节点对的相似性指标值从高到低排序，指标值越高则相应的节点对之间出现连边的可能性越大，取前E个指标值对应的节点对为预测连边，其中，E为取定的正整数，E≤F，F为整个网络中所有未知节点对的总数。...

【技术特征摘要】
1.一种基于局部有效路径度的链路预测方法，其特征在于：所述链路预测方法包括以下步骤：步骤一：建立网络模型G(V,E),V代表网络中的节点,E代表网络中的连边；步骤二：任意选取网络中两个未连接的节点x和y作为种子节点，记录种子节点x和y之间长度为2的每一条路径的局部路径度LPD2w＝kw，其中，kw表示第w条路径中间节点的度数，w＝1,2,……,L2，L2表示节点x和y之间长度为2的路径的数量；步骤三：计算节点x和y之间长度为3的每一条路径的局部路径度LPD3m＝k1m+k2m，其中，k1m表示第m条路径中第一个中间...

【专利技术属性】
技术研发人员：杨旭华，张海丰，金林波，肖杰，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33