基于层次随机图模型的脑网络链路预测

针对一般链路预测算法在具有层次结构的脑网络中计算效率低且复杂度高的问题,提出了一种基于最大似然估计的层次随机图模型。该算法首先利用脑网络数据建立层次随机图;然后通过改进的马尔可夫蒙特卡罗算法采样树状图空间;最后计算脑网络边的平均连接概率,且通过评价指标对算法进行评价。实验结果表明,利用该算法对脑网络和三种不同的层次结构网络进行链路预测比较,脑网络的预测结果最好。此外,与传统的基于相似性的算法相比,所提出的算法效果明显,且具有理想的计算复杂度。