动态网络下基于结构子图的链接预测方法研究

论文摘要

动态网络作为现实中普遍存在的一种网络形式,网络中的每条链接被赋予时间戳以表示该链接的形成时间。动态网络中的链接预测问题是指,利用网络中历史链接的形成情况,推断未知链接是否会在将来形成。链接预测研究在各种网络上的广泛应用要求链接预测方法能够适用于各种不同的网络结构,且能够处理动态网络中特有的时间戳信息对链接形成的作用。然而目前的研究中鲜有能够满足上述2点要求链接预测方法。本文提出了一种新的链接特征量,即结构子图特征(Structure Subgraph Feature,SSF),并将SSF分别应用到线性回归模型,逻辑回归模型和神经网络模型中构造出3个链接预测算法。SSF得益于以下2点优势:首先本文提出的结构子图是一种非常高效的链接周围网络拓扑结构表达方式,为结构子图特征量编码多种拓扑信息提供了基础;其次,本文提出的规范化的影响力能够有效处理动态网络中链接不同形成时间和网络节点之间形成的多链接带来的影响。SSF是一种表达链接周围网络拓扑结构的特征向量,其编码多种拓扑信息的能力和处理时间戳影响的能力,使基于SSF的链接预测算法能够应用于动态网络中,并适用于不同的网络结构。本文对基于SSF的3个链接预测算法,即SSFLiR,SSFLoR和SSFNM在7个结构特点各不相同的动态网络数据集上与11个经典链接预测算法进行了对比。实验结果表明基于SSF的3个链接预测算法较基准算法有着明显更优的链接预测效果。尤其SSFNM在所有算法中表现最优,其能够在7个动态网络数据集上保持顶级的链接预测效果。实验证实了本文提的结构子图特征能够广泛适用于不同的网络结构,并能够较好地处理动态网络中特有的节点间多链接和链接不同的形成时间带来的影响。

论文目录

摘要

Abstract

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于节点相似度排序的方法

1.2.2 基于链接分类的方法

1.2.3 基于邻接矩阵分解的方法

1.2.4 现状分析

1.3 本文研究内容和贡献

1.4 本文的组织结构

2 相关研究及概念定义

2.1 动态网络相关概念

2.2 链接预测相关研究

2.3 问题形式化定义

2.4 本章小结

3 基于结构子图的链接预测方法

3.1 拓扑归并算法及结构子图

3.1.1 强拓扑归并算法

3.1.2 弱拓扑归并算法

3.1.3 结构子图的分析

3.2 K-结构子图

3.2.1 基于介数中心性排序的选取规则

3.2.2 基于WL算法编号顺序的选取规则

3.2.3 K-结构子图的分析

3.3 时间影响力正规化及结构子图特征

3.3.1 时间影响力正规化

3.3.2 结构子图特征向量

3.4 基于结构子图特征的链接预测算法

3.4.1 利用线性回归的链接预测算法

3.4.2 利用逻辑回归的链接预测算法

3.4.3 利用神经网络的链接预测算法

3.5 本章小结

4 实验分析和结果评估

4.1 实验准备

4.1.1 实验环境描述

4.1.2 数据集

4.1.3 基准算法

4.1.4 评价指标

4.1.5 实验设定

4.2 实验结果及分析

4.2.1 K-结构子图的可视化

4.2.2 与基准算法的对比

4.3 算法设置和实验参数讨论

4.3.1 强、弱拓扑归并算法的比较

4.3.2 不同K结构子图选取规则的比较

4.3.3 不同影响力正规化方式对链接预测算法的影响

4.3.4 K值对链接预测算法的影响

4.4 本章小结

结论

参考文献

攻读硕士学位期间发表学术论文情况

致谢

文章来源

类型: 硕士论文

作者: 李晓

导师: 梁文新

关键词: 动态网络,结构子图,链接预测

来源: 大连理工大学

年度: 2019

分类: 基础科学

专业: 数学

单位: 大连理工大学

分类号: O157.5

DOI: 10.26991/d.cnki.gdllu.2019.000054

总页数: 62

文件大小: 2052K

下载量: 10

动态网络下基于结构子图的链接预测方法研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢