基于节点拓扑特征和互信息的链路预测方法技术

本发明专利技术公开了基于节点拓扑特征和互信息的链路预测方法，首先除去网络中的自环和重边，排除自环和重边对方法预测结果的干扰，然后将节点的局部网络结构量化为连边结构权重，通过参数α与连边权重融合，以获得融合权重，接下来在方法中引入与度相关的加权节点聚类系数、互信息以及路径距离，设计一种基于节点拓扑特征和互信息的加权链路预测方法CWMID。本发明专利技术的主要优点是通过将网络中节点的多个拓扑特征与节点互信息相结合，对网络结构信息的利用更加全面，在不同类型的网络中都有较好的普适性和预测结果，同时预测精度与大多数加权链路预测方法相比更加精确，实验结果证实了本发明专利技术设计的CWMID方法的优越性。本发明专利技术设计的CWMID方法的优越性。本发明专利技术设计的CWMID方法的优越性。

【技术实现步骤摘要】
基于节点拓扑特征和互信息的链路预测方法


[0001]本专利技术涉及网络科学链路预测
，具体表示为基于节点拓扑特征和互信息的链路预测方法。

技术介绍

[0002]现实生活中，网络无处不在，可用于描述和刻画真实复杂系统。链路预测作为网络科学的重要研究分支，旨在通过观测到的网络结构，对尚未连边的节点之间产生连边的可能性进行预测。链路预测在生物研究、电子商务、社会安全、推荐系统、网络重构、标签分类等众多领域中具有广泛的应用。
[0003]随着链路预测研究的不断发展，无向无权网络已经不能满足实际应用的需要。大部分真实网络都是加权的，权重是加权网络的重要特性，在不同类型的加权网络中，边的权重有着不同的含义，如在社交网络中权重则表示社会关系的强弱；在合作网络中权重表示学者共同授权文件的数量；在食物网络中权重则又表示不同物种之间的碳流量；在航空网络中权重表示不同机场之间的运输量等。加权网络的链路预测方法，主要考虑网络中边的自然权重、结构权重以及节点属性等因素。对于加权网络预测方法的研究，主要分为以下几种，基于网络自然权重的预测方法、基于网络结构权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于节点拓扑特征和互信息的链路预测方法，其特征在于，包括如下步骤：(1)训练阶段步骤1对于加权网络G
w
，采用随机抽样方法选取90％的连边和所有节点作为训练集网络剩余10％的连边作为测试集网络保证划分后训练集网络连通；步骤2设置参数α∈(0,1)，λ∈(0.001,0.01)；根据参数取值范围，采取遍历寻优法对参数取值进行遍历，对于每组参数，计算训练集中的预测精度AUC
train
；步骤3为了降低随机划分网络带来的误差，在给定一组参数的取值情况下，循环T次步骤1，每次循环时计算训练集中的预测精度AUC
train
，进而计算多次AUC
train
的平均值，一直遍历到最后一组参数，根据AUC
train
最大求出网络G
w
中的最佳参数α
*
和λ
*
；(2)测试阶段将CWMID方法在训练时得到的最佳参数α
*
和λ
*
代入式(5)中，在测试集中评价预测精度AUC
test
和精确度。2.根据权利要求1所述的基于节点拓扑特征和互信息的链路预测方法，其特征在于，对于加权网络G
w
(V,E,W)，其中V,E,W分别表示节点集合、连边集合和权重集合；将节点v
x
和v
y
的邻域结构量化为边(v
x
,v
y
)的结构权重，记为Sw
x,y
，如(1)式所示：式(1)中，k
x
,k
y
表示节点v
x
,v
y
的度；|Γ(v
x
)∩Γ(v
y
)|为节点v
x
,v
y
的共同邻居数；通过参数α，将边(v
x
,v
y
)的权重w
x,y
和结构权重Sw
x,y
加权融合，记Cw
x,y
为融合后边(v
x
,v
y
)的权重，如(2)式所示：Cw
x,y
＝αw
x,y
+(1
‑
α)Sw
x,y
,
ꢀꢀꢀꢀꢀꢀꢀ
(2)；式(2)中，Cw
x,y
＝Cw
y,x
，α为可调参数...

【专利技术属性】
技术研发人员：戴芳，朱军喜，赵凤群，郭文艳，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：