發(fā)布時間：2021-09-19 03:20

　　大多數有向網絡鏈路預測方法在計算節(jié)點相似性時沒有充分考慮有向網絡的結構特點,未區(qū)分不同有向鄰居對連邊形成具有的貢獻差異,導致預測性能受到局限。鑒于此,該文提出一種基于線性規(guī)劃的有向網絡鏈路預測方法。該方法對3種有向鄰居的信息貢獻進行量化分析,結合結構特點建立線性規(guī)劃模型,進而通過求解貢獻矩陣的最優(yōu)解構建相似性指標。9個真實有向網絡中的實驗結果表明,所提方法相比于9種現有方法在兩種衡量標準下表現出較高的預測性能與良好的魯棒性。 

【文章來源】：電子與信息學報. 2020,42(10)北大核心EICSCD

【文章頁數】：9 頁

【部分圖文】：

相似性矩陣的計算過程示意圖

桓瞿戲鷴蘩锎鋨厥魘?睪導臼澄锪?網絡。(9)LAK(LittlerocklAKe)[19]：一個美國威斯康星州小石湖的食物鏈網絡。N=|V|M=|E|kρCdγκ上述網絡數據的基本統(tǒng)計參數如表1所示，其中包括網絡類型，節(jié)點數，連邊數，平均度，互惠系數，平均集聚系數,90%有效直徑，同配系數，冪率系數。5實驗結果與分析5.1實驗設置實驗選取9個主流有向網絡鏈路預測指標作為參照，包括：4個局部指標(DCN,DAA,DRA,DPA)，2個準局部指標(LP,Bifan)和3個全局指標圖2相似性指標與對應鄰接矩陣元素之間的關系示意圖第10期李勁松等：一種基于線性規(guī)劃的有向網絡鏈路預測方法2397

鉅歟?賈掠行?畔⑷?失，預測性能受局限。針對上述問題，本文從有向網絡特有的局部結構出發(fā)，通過量化分析不同有向鄰居的貢獻度建立線性規(guī)劃模型，進而利用鄰居節(jié)點貢獻度矩陣最優(yōu)解推導出LPD指標。多個真實網絡中的實驗結果表明，在兩種衡量標準下，所提LPD指標不僅能提升預測精度，更表現出較好的魯棒性與普適性。這為進一步揭示有向網絡演化機制和內在連邊機理提供了新思路。未來工作中我們將針對特定領域的網絡進行深入分析，結合網絡結構特點改進LPD指標，并探索其預測性能與網絡復雜性的關系。圖4AUC隨訓練集劃分比例變化曲線圖2400電子與信息學報第42卷


本文編號：3400906