基于传递相似性的复杂网络链路预测

《基于传递相似性的复杂网络链路预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西安电子科技大学学位论文独创性（或创新性）声明秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文若有不实之处，本人承担一切法律责任。本人签名：日期：西安电子科技大学关于论文使用授权的说明本人完全了解西安电子科技大学有关保留和使用学位

2、论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属于西安电子科技大学。学校有权保留送交论文的复印件，允许查阅、借阅论文；学校可以公布论文的全部或部分内容，允许采用影印、缩印或其它复制手段保存论文。同时本人保证，获得学位后结合学位论文研究成果撰写的文章，署名单位为西安电子科技大学。保密的学位论文在年解密后适用本授权书。本人签名：导师签名：日期：日期：摘要摘要复杂网络是研究复杂系统的有效工具，真实世界的复杂系统是随着时间变化的，因而对应的网络也在变化，刻画这种变化的网络就需要对边的变化进行预测，即链路预测问题的研究。按照网络的边是否随时间

3、变化，可以将网络分为静态网络和动态网络。相关的链路预测方法也不同。静态网络链路预测认为，在当前已知数据条件下，网络中现有的边在未来的短时间内不会发生变化，而目前不存在的边在未来中可能出现。链路预测在实际应用和理论研究中都有重要的经济以及理论价值。现有的静态网络链路预测方法按照其思想主要可分为基于拓扑结构的方法、基于马尔科夫理论方法以及基于概率似然理论的方法等三大类。其中，以共同邻居和资源分配（ResourceAllocation,RA）方法为代表的基于局部拓扑结构信息的方法计算复杂性较低、容易理解，比较适合处理大规模网络数据。然而，此类方法只使用

4、了拓扑上最邻近的结构信息，对于拓扑上更远的结构信息并未考虑，限制了其预测的性能。本文改进了资源分配方法，将其和传递相似性整合，提出了基于资源分配的传递相似性（TransferringSimilaritybasedonResourceAllocation，TSRA）链路预测方法，并考虑到该方法需要计算逆矩阵的不足，提出了由该方法改进的基于资源分配的传递结构相似性（TransferringStructureSimilaritybasedonResourceAllocation，TSSRA）链路预测方法和基于资源分配的多步传递相似性（Multi-ste

5、pTransferringSimilaritybasedonResourceAllocation，MTSRA）链路预测方法，这两个方法克服了基于资源分配的传递相似性方法需要矩阵求逆的不足。由于考虑了两节点之间的中间节点对节点对相似性的贡献，相比于资源分配方法，新方法更充分的利用了节点对路径上中间结构信息。实验结果表明，新方法在保持方法低时间复杂度的同时，提高了链路预测的准确性。针对链路预测问题，本文用链路预测领域常用数据集对新方法的特性进行了详细的实验研究，并且和资源分配方法在多个网络数据集上按照多种不同的评测标准进行了预测性能的综合比较分析。实

6、验结果表明，本文提出的基于资源分配的传递结构相似性方法在Router以及Power等数据集上得到的AUC比原有的RA方法提高了0.06左右，在Yeast以及Celegans等数据集上的AUC提高了0.03左右。基于资源分配的传递相似性方法则相比于资源分配方法主要在Power数据集上AUC提高了0.06左右，在其它数据集上则提升不明显。基于资源分配的多步传递相似性方法也是主要在Router以及Power数据及上有0.04左右的提高。I西安电子科技大学硕士学位论文关键词：复杂网络，链路预测，资源分配，传递相似性论文类型：应用基础研究类IIABSTRA

7、CTABSTRACTComplexnetworksisaneffectivetooltostudycomplexsystems.Complexsystemsintherealworldarevaryingwithtime,sodothecorrespondingnetworks.Tocharacterizethechangeonthenetwork,predictionoftheedgeschangingwithtimeisneeded.Accordingtowhethertheedgechangeswithtime,thenetworkscan

8、bedividedintostaticanddynamicnetworksandthusthepredictionmethodsared