基于节点链接重要性的社区方法研究

关于社区结构较为常见的一种描述是关于强弱社区的阐述,一条边由2个节点构成,此2个节点对这条边有直接影响,是通过此2个节点的邻接点数目直接影响。除此之外,其间接关联性是通过此2个节点的公共邻居节点对网络其余部分的间接影响。文章从这2个方面考虑,得到一种新的社区发现算法。文章采用10个社区结构清晰度不同的人工生成网络数据集,通过与几种社区发现算法进行对比实验。实验证明,从几种不同的评价指标角度而言,文章研究算法在社区结构清晰度不同的人工生成网络数据集上都有较好的结果。

基于链接重要性的动态链接预测方法研究

已有的链接预测方法中,基于拓扑结构的方法忽略了实体自身的一些社会属性(语义),基于分类的方法没有考虑时间因素在链接形成中的作用.针对这些问题结合科研合作网的特点,给出一种基于链接重要性的动态链接预测方法.引入链接重要性的度量,对拓扑属性和语义相似度等属性进行修正,考虑动态性以反映时间因素对链接形成的影响,最后利用分类技术进行预测.在DBLP数据集上进行多组对比实验.实验结果表明,该方法较之已有的方法,预测准确性有了较大的提高.

基于链接重要性和数据场的链接预测算法

针对现有基于节点相似性的链接预测方法忽略了网络拓扑本身链接强度的信息,带权的拓扑路径方法中权值较难确定等缺陷,提出一种基于链接重要性和数据场的链接预测算法。首先,将所有链接边赋予不同的链接权重;其次,考虑潜在链接节点间的相互影响,对部分没有链接的节点进行链接预估计;最后,利用数据场势函数计算两节点间的相似值。在典型的网络数据进行的实验结果表明,所提方法在分类指标和推荐指标中都有很好的表现:以AUC为评价指标时,比同复杂度的局部路径(LP)算法提高了3到6个百分点;以DCG为评价指标时比LP算法提高了1.5到2.5个DCG值。算法整体上提高了预测准确性,且由于参数确定简单,复杂度又不高,在实际中易于部署。