【摘要】：信息技術的飛速發(fā)展使互聯(lián)網(wǎng)滲透到社會生活的方方面面,社交類應用已經(jīng)成為人們生活中不可或缺的一部分,并形成了規(guī)模龐大、信息豐富的社交網(wǎng)絡。作為社交網(wǎng)絡數(shù)據(jù)挖掘領域重要的研究內(nèi)容之一,鏈接預測可以幫助學者評估網(wǎng)絡形成機制、完善網(wǎng)絡中缺失的信息、預測網(wǎng)絡結構,可以幫助用戶快速發(fā)現(xiàn)感興趣的內(nèi)容,從而應對信息過載等問題,對于學術研究和商業(yè)應用都有著重要的價值,吸引了諸多學者的關注。當前,面向社交網(wǎng)絡的鏈接預測仍然存在諸多難點。首先,社交網(wǎng)絡作為以人為主體構建的網(wǎng)絡,個體并非完全獨立,有多方面因素會影響個體行為進而影響到網(wǎng)絡中鏈接的變化,在研究鏈接預測時,應當對這些因素加以研究。其次,社交網(wǎng)絡規(guī)模較大,包含信息龐雜,僅基于節(jié)點間相似度預測鏈接時,往往存在信息利用不充分的問題,影響鏈接預測的效果。隨著人們要求的提高和網(wǎng)絡規(guī)模的擴大,如何合理挖掘網(wǎng)絡上的信息來預測鏈接成為了重要的研究內(nèi)容。根據(jù)當前的研究現(xiàn)狀,本文的貢獻如下:(1)節(jié)點的中心性對其建立新鏈接的情況有一定影響,研究結合中心性的鏈接預測算法,首先提出一種新的節(jié)點中心性評價算法:LRC算法。經(jīng)典的局部中心性忽略了節(jié)點間的相互作用,LRC算法基于自我中心網(wǎng)絡提出關聯(lián)強度,并用其表示直接相鄰節(jié)點間的相互影響,綜合節(jié)點的局部環(huán)境和節(jié)點間相互作用共同進行中心性評價。實驗表明,LRC算法能有效發(fā)現(xiàn)關鍵節(jié)點,對節(jié)點中心性評價的準確性優(yōu)于對比算法。(2)對于面向社交網(wǎng)絡的鏈接預測來說,傳統(tǒng)的基于相似度的鏈接預測算法對節(jié)點間關系和社交網(wǎng)絡特性考慮不足,研究基于改進相似度的鏈接預測算法。提出一種基于中心性的節(jié)點間相似度鏈接預測算法:LP-LRC算法,根據(jù)社交網(wǎng)絡的弱連接特性和節(jié)點的LRC值,提升低中心性的共同鄰居在新鏈接建立過程中發(fā)揮的作用,降低高中心性的共同鄰居的作用,更符合社交網(wǎng)絡特點。提出一種基于關聯(lián)強度的鏈接預測算法:RWCN算法,以節(jié)點間關聯(lián)強度區(qū)分不同的共同鄰居對新鏈接建立的影響,改進經(jīng)典的CN算法。實驗表明,LP-LRC算法和RWCN算法在實驗網(wǎng)絡上的性能優(yōu)于對比算法,在部分網(wǎng)絡上優(yōu)于部分改進算法。(3)針對可獲取領域信息的社交網(wǎng)絡,研究基于節(jié)點間多特征的鏈接預測算法,提出兩個基于領域信息特征的提取方法,描述節(jié)點在網(wǎng)絡中的活躍度和節(jié)點間興趣相似度,與基于拓撲結構獲取的特征結合,基于節(jié)點間多特征預測鏈接。DBLP上的實驗表明,本文設計的基于領域信息提取的特征信息增益更高,能有效提升鏈接預測性能。
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：O157.5;TP301.6
【圖文】：

為了獲得更快的訪問速度選擇基于鄰接矩陣的存儲方式。圖2.1 中左圖展示了一個小型社交網(wǎng)絡，右圖展示了將其抽象為含 4 個節(jié)點 3 條邊的無向無權圖的鄰接矩陣。圖 2.1 社交網(wǎng)絡及其鄰接矩陣示例

圖 2.2 鏈接預測問題示例2.2.2 基于相似度的鏈接預測一般的，認為共同特征越多的兩個節(jié)點間的相似度越大，但由于節(jié)點的屬性等關鍵信息往往難以獲得，因此基于相似度的鏈接預測算法大都基于網(wǎng)絡拓撲計算節(jié)點間相似度，定義 表示基于相應算法得到的節(jié)點 和節(jié)點 之間的相似度。下面介紹其中基于局部信息的算法、基于路徑的算法以及基于隨機游走的算法。1.基于局部信息的相似度算法基于局部信息的算法基于網(wǎng)絡的局部拓撲結構計算節(jié)點間相似度來預測鏈接。（1）CN 指標(Common Neighbors Index)若 與 互為鄰居節(jié)點，同時 和 也互為鄰居節(jié)點，則稱 是 和 的共同鄰居。CN 指標認為，兩個節(jié)點之間的共同鄰居個數(shù)與他們之間的相似度情況成正比，共同鄰居越多的節(jié)點間形成鏈接的可能性越大。定義如下：

【參考文獻】

相關期刊論文 前9條

1 許進;楊揚;蔣飛;金舒原;;社交網(wǎng)絡結構特性分析及建模研究進展[J];中國科學院院刊;2015年02期

2 劉冶;朱蔚恒;潘炎;印鑒;;基于低秩和稀疏矩陣分解的多源融合鏈接預測算法[J];計算機研究與發(fā)展;2015年02期

3 WANG Peng;XU BaoWen;WU YuRong;ZHOU XiaoYu;;Link prediction in social networks: the state-of-the-art[J];Science China(Information Sciences);2015年01期

4 羌毅;陳可佳;陳陽;方彪;;采用時間度量的半監(jiān)督鏈接預測方法[J];南京郵電大學學報(自然科學版);2014年06期

5 王英;王鑫;左萬利;;基于社會學理論的信任關系預測模型[J];軟件學報;2014年12期

6 任曉龍;呂琳媛;;網(wǎng)絡重要節(jié)點排序方法綜述[J];科學通報;2014年13期

7 任卓明;邵鳳;劉建國;郭強;汪秉宏;;基于度與集聚系數(shù)的網(wǎng)絡節(jié)點重要性度量方法研究[J];物理學報;2013年12期

8 劉斌;李磊;;尋職中的社交網(wǎng)絡“強連接”、“弱連接”與勞動者工資水平[J];管理世界;2012年08期

9 李玉華;肖海嶺;李棟才;李瑞軒;;基于鏈接重要性的動態(tài)鏈接預測方法研究[J];計算機研究與發(fā)展;2011年S3期

相關碩士學位論文 前3條

1 王兵;復雜網(wǎng)絡的節(jié)點重要性度量算法研究[D];南京郵電大學;2015年

2 張永超;基于微博信息擴散的鏈接預測研究[D];哈爾濱工業(yè)大學;2014年

3 胡滿玉;基于鏈接關系的有向加權復雜網(wǎng)絡關鍵節(jié)點識別技術研究[D];南京理工大學;2012年

本文編號：2716072