社區(qū)網(wǎng)絡(luò)鏈路預(yù)測.pdf

1、在現(xiàn)實生活中有許多系統(tǒng)都可以抽象成復(fù)雜網(wǎng)絡(luò)，進而用圖論的方法對其進行研究。復(fù)雜網(wǎng)絡(luò)的研究在當(dāng)今社會已經(jīng)有了非凡的意義和地位，而鏈路預(yù)測和社區(qū)檢測是復(fù)雜網(wǎng)絡(luò)的兩個重要研究方向。鏈路預(yù)測是指：通過網(wǎng)絡(luò)的已知信息來對網(wǎng)絡(luò)中尚未產(chǎn)生連邊的兩個節(jié)點預(yù)測其產(chǎn)生連接的可能性．一般來說鏈路預(yù)測主要有兩種用途，分別是對已經(jīng)存在但尚未被發(fā)現(xiàn)的鏈接的預(yù)測和對未來可能產(chǎn)生的鏈接的預(yù)測。鏈路預(yù)測的研究不僅具有理論價值，而且具有十分重要的應(yīng)用價值，所以這是一項十分

2、重要的工作。另一方面，社區(qū)檢測的簡單說法是說：要找到網(wǎng)絡(luò)中節(jié)點的分類集合，使得同一集合內(nèi)的節(jié)點間聯(lián)系比較緊密，不同集合間的節(jié)點間聯(lián)系比較稀疏。了解網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)可以幫助我們進一步分析網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，并更好地理解和解釋網(wǎng)絡(luò)的功能，從而能夠更容易發(fā)現(xiàn)網(wǎng)絡(luò)中一些隱而未現(xiàn)的規(guī)律以及預(yù)測網(wǎng)絡(luò)的行為。由于網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)具有如此重要的價值，所以如何在現(xiàn)有網(wǎng)絡(luò)數(shù)據(jù)的基礎(chǔ)上快速高效地發(fā)現(xiàn)網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)也是一項十分重要的工作。
　　本文的工作正是圍繞

3、這兩個方向展開的。首先，本文提出了一種利用網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)信息和節(jié)點相似性信息的基于社區(qū)信息和節(jié)點相似性的鏈路預(yù)測方法。接著，我們發(fā)現(xiàn)復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測的結(jié)果其實在某種程度上反映了網(wǎng)絡(luò)演化的一些性質(zhì)?；谶@個思想我們又提出了一種利用網(wǎng)絡(luò)的鏈路預(yù)測結(jié)果信息的基于網(wǎng)絡(luò)演化的社區(qū)檢測方法。最后，我們驚喜地發(fā)現(xiàn)，只要經(jīng)過略微地調(diào)整，我們提出的這種社區(qū)檢測算法就可以很好的推廣到符號網(wǎng)絡(luò)中，并具有十分優(yōu)越的性能，從而得到一種適用于多種網(wǎng)絡(luò)的更一般化的社區(qū)

4、檢測算法。本文的主要工作如下：
　　1.基于社區(qū)信息和節(jié)點相似性的鏈路預(yù)測算法。這種方法是在隨機分塊模型的基礎(chǔ)上，通過融合網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)信息和節(jié)點相似性信息而實現(xiàn)鏈路預(yù)測的。通過在真實網(wǎng)絡(luò)和LFRbenchmark網(wǎng)絡(luò)上的大量實驗，證實了該方法具有很高的預(yù)測精度，同時時間復(fù)雜度又相對較小。特別地，在面對不同規(guī)模的網(wǎng)絡(luò)時，我們可以分別以不同的方式實現(xiàn)該算法，并保證其良好的性能。
　　2.基于網(wǎng)絡(luò)演化的社區(qū)檢測算法。我們利用網(wǎng)絡(luò)的

5、鏈路預(yù)測結(jié)果中所蘊藏的網(wǎng)絡(luò)演化信息，做到了在重現(xiàn)網(wǎng)絡(luò)演化過程的同時對目標(biāo)網(wǎng)絡(luò)進行社區(qū)檢測，而最終提出了這種基于網(wǎng)絡(luò)演化的社區(qū)檢測算法。該算法不同于傳統(tǒng)的社區(qū)檢測算法，開拓出了社區(qū)檢測的新思路，其思路簡單易懂、算法復(fù)雜度低、劃分精確度高等特點都在大量的現(xiàn)實網(wǎng)絡(luò)和LFRbenchmark網(wǎng)絡(luò)的實驗中得到了驗證。
　　3.基于網(wǎng)絡(luò)演化的符號網(wǎng)絡(luò)社區(qū)檢測算法。我們提出的基于網(wǎng)絡(luò)演化的社區(qū)檢測算法只需要略微調(diào)整就可以適用于符號網(wǎng)絡(luò)中，甚至是