發(fā)布時(shí)間：2018-06-21 05:01

  本文選題：復(fù)雜網(wǎng)絡(luò) + 鏈路預(yù)測(cè)��； 參考：《蘭州大學(xué)》2017年碩士論文

【摘要】：生活中的眾多真實(shí)系統(tǒng)都可以看作一個(gè)復(fù)雜網(wǎng)絡(luò)系統(tǒng),鏈路預(yù)測(cè)作為復(fù)雜網(wǎng)絡(luò)非常重要的研究課題,其重要作用就是研究這些網(wǎng)絡(luò)的演化機(jī)制或者發(fā)展方向,例如在蛋白質(zhì)網(wǎng)絡(luò)中想要知道蛋白質(zhì)之間的相互作用、社交網(wǎng)絡(luò)中節(jié)點(diǎn)之間是否成為朋友。因此,鏈路預(yù)測(cè)的研究具有重要的現(xiàn)實(shí)意義,在復(fù)雜網(wǎng)絡(luò)的領(lǐng)域里作為重要的研究分支之一。鏈路預(yù)測(cè)的研究得到了大家的廣泛關(guān)注,其算法大多通過對(duì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行研究分析,對(duì)節(jié)點(diǎn)相似性進(jìn)行計(jì)算等方法來判斷節(jié)點(diǎn)之間有無連邊。但是大多數(shù)的鏈路預(yù)測(cè)算法對(duì)于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的考慮僅限于網(wǎng)絡(luò)的局部信息或者路徑信息,近幾年新的社交網(wǎng)絡(luò)鏈路預(yù)測(cè)算法中需要得知節(jié)點(diǎn)自身的額外屬性信息,但是要得到這種額外信息非常困難,所以實(shí)用度不是很高。本文提出了一種關(guān)于直接針對(duì)邊的基于機(jī)器學(xué)習(xí)的鏈路預(yù)測(cè)算法,將譜分析引入算法當(dāng)中,通過拉普拉斯矩陣的特征值和特征向量將節(jié)點(diǎn)映射到二維空間,然后將對(duì)節(jié)點(diǎn)的相似性計(jì)算直接轉(zhuǎn)化成對(duì)邊的分類預(yù)測(cè)問題。論文采用一個(gè)測(cè)試數(shù)據(jù)集和六個(gè)真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集證明了算法的可行性,同已有的算法的評(píng)價(jià)結(jié)果進(jìn)行了比較,評(píng)價(jià)了論文提出算法的有效性。在此基礎(chǔ)上,論文為了提高算法的預(yù)測(cè)效果,考慮社團(tuán)結(jié)構(gòu)對(duì)于鏈路預(yù)測(cè)結(jié)果的影響(在同一個(gè)社團(tuán)中的節(jié)點(diǎn)有連接的幾率大于社團(tuán)間的連接),引入了新的相似度計(jì)算方法,即基于角距離的譜分析方法,經(jīng)證明,利用該相似度計(jì)算方法可劃分得到更好的社團(tuán)結(jié)構(gòu)。將引入角距離的改進(jìn)算法經(jīng)過同樣的一個(gè)測(cè)試數(shù)據(jù)集和六個(gè)真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集的實(shí)驗(yàn)驗(yàn)證之后,證明改進(jìn)算法確實(shí)能夠提高鏈路預(yù)測(cè)效果。在提高預(yù)測(cè)效果的基礎(chǔ)上,可以發(fā)現(xiàn)在社團(tuán)結(jié)構(gòu)明顯的數(shù)據(jù)集上的預(yù)測(cè)能力提升能力更好。
[Abstract]:Many real systems in life can be regarded as a complex network system. As a very important research topic of complex network, link prediction plays an important role in studying the evolution mechanism or development direction of these networks. For example, in a protein network you want to know how proteins interact, and whether nodes in a social network are friends. Therefore, the research of link prediction is of great practical significance, and it is one of the important branches in the field of complex networks. The research of link prediction has been paid more and more attention. Most of its algorithms are based on the analysis of network topology and the calculation of node similarity to judge whether there are links between nodes. However, most of the link prediction algorithms only consider the local information or path information of the network topology. In recent years, the new link prediction algorithms of social networks need to know the additional attribute information of the nodes themselves. But getting this extra information is very difficult, so the utility is not very high. In this paper, a link prediction algorithm based on machine learning is proposed. Spectral analysis is introduced into the algorithm and nodes are mapped to two-dimensional space by eigenvalues and Eigenvectors of Laplace matrix. Then, the similarity calculation of nodes is transformed directly into the problem of classification and prediction of opposite edges. In this paper, a test data set and six real network data sets are used to prove the feasibility of the algorithm, and compared with the evaluation results of the existing algorithms, the validity of the proposed algorithm is evaluated. On this basis, in order to improve the prediction effect of the algorithm, considering the influence of the community structure on the link prediction results (the probability of the nodes in the same community being connected is greater than the connection between the communities, a new similarity calculation method is introduced. The spectral analysis method based on angular distance has been proved to be better for community structure by using this similarity calculation method. The improved algorithm with angle distance is verified by the same test data set and six real network data sets. It is proved that the improved algorithm can improve the link prediction effect. On the basis of improving the prediction effect, it can be found that the prediction ability on the dataset with obvious community structure is better.
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：O157.5;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃子軒;馬超;徐瑾輝;黃江楠;;復(fù)雜網(wǎng)絡(luò)中集聚系數(shù)對(duì)鏈路預(yù)測(cè)算法的影響[J];科技視界;2014年12期

2 陳功;周小科;;基于機(jī)器學(xué)習(xí)的miRNA靶基因預(yù)測(cè)算法研究概況[J];軟件導(dǎo)刊;2011年12期

3 江禮俐;唐曉峰;唐國(guó)安;;結(jié)構(gòu)中不可測(cè)區(qū)域振動(dòng)響應(yīng)的預(yù)測(cè)算法[J];上海航天;2006年02期

4 聶書志;葉邦彥;;大規(guī)模數(shù)據(jù)環(huán)境下用電量預(yù)測(cè)算法研究[J];科技通報(bào);2013年02期

5 徐軍,向健華,粱昌洪;最大化背景模型用于檢測(cè)紅外圖像中的弱小目標(biāo)[J];光子學(xué)報(bào);2002年12期

6 李志俊;蔡黎;宋業(yè)新;張潔;;一種灰色拓?fù)涓倪M(jìn)預(yù)測(cè)算法及應(yīng)用研究[J];長(zhǎng)江大學(xué)學(xué)報(bào)(自科版)理工卷;2007年02期

7 徐海松,葉關(guān)榮;計(jì)算機(jī)自動(dòng)配色預(yù)測(cè)算法研究[J];光學(xué)學(xué)報(bào);1996年11期

8 劉平;馬玉韜;孫學(xué)宏;張成;杜勇;;基因預(yù)測(cè)算法中閾值的傅里葉質(zhì)譜分析[J];湖北農(nóng)業(yè)科學(xué);2014年06期

9 王果;駱曉艷;胡志波;陳素;;基于時(shí)序的股票預(yù)測(cè)算法研究[J];江蘇技術(shù)師范學(xué)院學(xué)報(bào);2010年06期

10 潘矜矜;戴憲華;楊小勁;;一種基于卡爾曼濾波修正的LRP信道預(yù)測(cè)算法[J];桂林工學(xué)院學(xué)報(bào);2008年02期

相關(guān)會(huì)議論文 前10條

1 朱斌;樊祥;馬東輝;程正東;;窗口大小和權(quán)值模板對(duì)固定權(quán)值背景預(yù)測(cè)算法的影響[A];2006年全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)會(huì)議文集（D 光電信息處理技術(shù)專題）[C];2006年

2 王峰;姬冰輝;李斗;;一種基于混沌理論的自相似業(yè)務(wù)流預(yù)測(cè)算法研究[A];2006北京地區(qū)高校研究生學(xué)術(shù)交流會(huì)——通信與信息技術(shù)會(huì)議論文集（上）[C];2006年

3 錢正祥;徐華;張申浩;;數(shù)字信號(hào)序列的向量預(yù)測(cè)算法[A];第三屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2005年

4 郭景峰;代軍麗;馬鑫;王娟;;針對(duì)通信社會(huì)網(wǎng)絡(luò)的時(shí)間序列鏈接預(yù)測(cè)算法[A];第26屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（A輯）[C];2009年

5 張利萍;李宏光;;改進(jìn)的灰色預(yù)測(cè)算法在工業(yè)應(yīng)用中的評(píng)價(jià)[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

6 崔冬;;一種改進(jìn)的LRP信道預(yù)測(cè)算法[A];2006通信理論與技術(shù)新進(jìn)展——第十一屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集[C];2006年

7 王佳;殷海兵;周冰倩;;一種適合硬件實(shí)現(xiàn)的低復(fù)雜度MAD預(yù)測(cè)算法[A];浙江省電子學(xué)會(huì)2011學(xué)術(shù)年會(huì)論文集[C];2011年

8 鄭銘浩;劉志紅;巫瑞波;徐峻;;P450各亞型代謝調(diào)控劑預(yù)測(cè)算法[A];中國(guó)化學(xué)會(huì)第28屆學(xué)術(shù)年會(huì)第14分會(huì)場(chǎng)摘要集[C];2012年

9 張曉丹;王萍;;一種基于特征的H.264的子塊快速幀內(nèi)預(yù)測(cè)算法[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【oral】[C];2011年

10 白宇;于水;葉娜;蔡?hào)|風(fēng);任曉娜;;一種基于語境的詞語相似度計(jì)算方法[A];第五屆全國(guó)信息檢索學(xué)術(shù)會(huì)議論文集[C];2009年

相關(guān)博士學(xué)位論文 前4條

1 馬玉韜;基于濾波理論和特征統(tǒng)計(jì)的蛋白質(zhì)編碼區(qū)預(yù)測(cè)算法研究[D];天津大學(xué);2013年

2 李楠;基于火焰自由基成像的NO_x排放預(yù)測(cè)算法研究[D];華北電力大學(xué)(北京);2017年

3 朱郁筱;復(fù)雜網(wǎng)絡(luò)的結(jié)構(gòu)挖掘及其對(duì)傳播動(dòng)力學(xué)的影響[D];電子科技大學(xué);2016年

4 蔡圓媛;基于知識(shí)整合的詞匯語義相似度計(jì)算方法研究[D];北京交通大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 閆潤(rùn)珍;基于譜分析方法的鏈路預(yù)測(cè)算法研究[D];蘭州大學(xué);2017年

2 吳智勇;學(xué)術(shù)論文排序預(yù)測(cè)算法研究[D];內(nèi)蒙古大學(xué);2015年

3 張勇攀;針對(duì)殘缺IP網(wǎng)絡(luò)的鏈路預(yù)測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

4 應(yīng)超;博物館移動(dòng)導(dǎo)覽中的遠(yuǎn)程展示技術(shù)研究及系統(tǒng)實(shí)現(xiàn)[D];浙江大學(xué);2015年

5 常艷華;基于數(shù)據(jù)驅(qū)動(dòng)模擬電路故障預(yù)測(cè)算法實(shí)現(xiàn)與軟件開發(fā)[D];電子科技大學(xué);2015年

6 閆青;基于預(yù)測(cè)算法的快速多尺度金字塔時(shí)空特征點(diǎn)計(jì)算算法研究[D];青島科技大學(xué);2016年

7 錢呂見;復(fù)雜網(wǎng)絡(luò)中基于角色傳遞性和對(duì)稱性的鏈接預(yù)測(cè)算法研究[D];蘭州大學(xué);2016年

8 李小科;無模型自適應(yīng)預(yù)測(cè)算法及其在非線性過程控制中的應(yīng)用[D];蘭州大學(xué);2016年

9 周攀;基于姿態(tài)傳感器的人體步態(tài)預(yù)測(cè)算法設(shè)計(jì)與實(shí)現(xiàn)[D];西南交通大學(xué);2016年

10 周真爭(zhēng);基于社團(tuán)綜合屬性的鏈路預(yù)測(cè)算法研究[D];南京信息工程大學(xué);2016年

，

本文編號(hào)：2047336