基于元图注意力网络的异质信息网络链路预测方法

由于元路径存在节点之间语义信息模糊、联通性不强的缺陷,现有的基于元路径的异质信息网络链路预测方法不足以很好地捕捉复杂的结构信息和丰富的语义信息,从而影响链路预测性能的提升.为解决此问题,提出基于元图注意力网络的异质信息网络链路预测方法,综合利用元图内节点层面和元图间语义层面两种注意力机制学习节点向量表示,进而用学习到的...     

融合用户行为同步指标的链路预测研究

现有链路预测方法大多基于网络结构相似性及连边的权重特征,没有有效挖掘连边权重形成的时序信息。考虑到两个节点行为的时间同步性往往是由于两个节点存在链接造成的,因此在网络结构的重构研究中通常利用节点的行为同步性来反推它们之间是否存在链接关系。该文尝试将节点同步性信息这一网络重构的方法引入链路预测领域,提出一种网络拓扑相似性上融合节点行为同步指数的链路预测算法。经过两类6种真实网络数据的比较分析,发现该算法可有效提高链路预测准确率,相比现有方法,Precision指标提高了15.3%～68.2%。该研究不仅发现节点局域结构相似性和节点行为同步指数对链路预测的共同影响,也揭示了不同类别真实加权网络的内在结构和动态特征。     

基于图嵌入的多重异质网络节点重要度评估

为提高多重异质网络中节点重要度评估的准确性,提出一种基于图嵌入的节点重要度评估方法。通过随机游走采样邻居节点,聚合节点在同种连边类型和不同连边类型下的节点特征,利用多层感知机将特征映射到嵌入空间,得到嵌入向量;根据节点的嵌入向量和局部结构特征构建重要度评估指标。在CElegans和CS-Aarhus等数据集上的实验结果表明,与多重介数中心性、有偏页面排序和多重证据中心性等方法相比,所提方法具有更高的准确性。     

复杂网络链路预测

网络中的链路预测是指如何通过已知的网络结构等信息预测网络中尚未产生连边的两个节点之间产生连接的可能性。预测那些已经存在但尚未被发现的连接实际上是一种数据挖掘的过程,而对于未来可能产生的连边的预测则与网络的演化相关。传统的方法是基于马尔科夫链或者机器学习的,往往考虑节点的属性特征。该类方法虽然能够得到较高的预测精度,但是由于计算的复杂度以及非普适性的参数使其应用范围受到限制。另一类方法是基于网络结构的最大似然估计,该类方法也有计算复杂度高的问题。相比上述两种方法,基于网络结构相似性的方法更加简单。通过在多个实际网络中的实验发现,基于相似性的方法能够得到很好的预测效果,并且网络的拓扑结构性质能够帮助选择合适的相似性指标。该文综述并比较了若干有代表性的链路预测方法,展望了若干重要的开放性问题。     

异常链路分析在电力网络恢复中的应用

在大规模瘫痪状态下的电力系统的恢复过程中，网络中的一些特殊连边起到了关键作用，这是该文提出的基于异常链路分析的网络重构策略的主要思想。通过链路预测算法对网络中真实存在的连边进行异常度排名，以优先恢复异常度高的电源节点为目标，建立骨架网络恢复策略，然后根据链路的重要性进行骨架网络之外的线路的修复。这样不仅可以快速连通电源发电机，也能及时恢复重要线路，具有实际意义。     

双有限异质社交网络仿真建模及实证分析

提出了一种双有限异质社交网络结构,即网络规模有限性、节点出/入度有限性以及网络节点属性的异质性.仿真结果及实证分析表明,与小世界网络、无标度网络等相比,双有限异质社交网络模型可以更好地模拟实际社交网络,不仅其网络整体结构兼具小世界特性和无标度特性,在微观上还可以真实反映出不同属性类型的节点在网络中的影响力和控制力.     

融合多特征的符号网络连边符号预测

为提高符号网络的连边符号预测准确率,深入分析了影响连边符号的各项基本机理,拓展了"结构平衡理论"和"地位理论",同时将网页网络中的"PageTrust"度量引入符号网络用以刻画符号网络中节点的重要性. 在融合从不同角度反映连边符号形成机制理论的基础上,抽取出一组最能反映连边正负的网络特征,并将这类网络特征用于2类机器学习模型的训练与测试. 2个真实网络数据集上的实验结果表明,训练所得模型具有较已有模型更高的预测准确率和更好的通用性.     

双有限异质社交网络仿真建模及实证分析

提出了一种双有限异质社交网络结构,即网络规模有限性、节点出/入度有限性以及网络节点属性的异质性。仿真结果及实证分析表明,与小世界网络、无标度网络等相比,双有限异质社交网络模型可以更好地模拟实际社交网络,不仅其网络整体结构兼具小世界特性和无标度特性,在微观上还可以真实反映出不同属性类型的节点在网络中的影响力和控制力。     

基于共同邻居有效性的复杂网络链路预测算法

链路预测旨在预测网络中的缺失连边，对于实际网络演化机制的了解具有重要意义。虽然现有研究已经提出了很多相似性指标，但它们都忽视了不同网络结构下共同邻居的有效性，而局部拓扑结构信息尤其是共同邻居结构在计算节点间相似性中发挥重要作用。考虑到共同邻居周围局部拓扑信息，该文提出了一种高效共同邻居指标。该指标首先分析了共同邻居所有连边的有效性，分别从端点两侧量化了节点的有效性；然后，通过分析共同邻居节点拓扑有效性对两侧资源分配过程的影响刻画节点间相似性。15个实际网络数据实验表明，相比现有经典的9种方法，所提方法具有较高的预测精度。     

基于拓扑有效连通路径的有向网络链路预测方法

链路预测旨在利用已有的网络拓扑信息来挖掘未知连边,具有较高的应用价值。大部分已有的基于拓扑结构的方法,关注节点对之间的路径数或者预测节点对的出入度,未有效挖掘节点对之间的连边长度和连边上节点的影响力对相似性的影响。针对此问题,该文提出了基于拓扑有效连通路径的链路预测方法,并分析了不同路径长度在节点度、半局部中心性和H-指数这3种不同衡量节点影响力指标下对节点相似性的贡献。通过8个真实网络仿真,发现H-指数能有效量化节点的局部影响力,且在3种衡量指标下均具有较高的预测精度。     

基于卷积神经网络的链接表示及预测方法

针对节点全局表示和链接局部拓扑关系,提出链接序列化表示及卷积神经网络（CNN）提取序列特征的链接预测方法.研究节点间的局部拓扑及共邻关系,基于共邻紧密度构建链接局部拓扑的有序节点序列,并用node2vec节点向量表达生成潜在链接的矩阵表示;基于CNN建立链接预测的分类模型,采用CNN可变滤波器窗口卷积运算提取序列中共邻与节点对的多层隐含关系,分类训练实现链接的有效预测.在4种大规模网络数据集上的实验结果表明,相比已有方法,该方法的AUC值有显著提高,最高达12.4%,稳定性及普适性较强,解决了传统方法对大规模稀疏网络的预测准确率下降问题.     

融合权重和结构的加权非负矩阵分解的链路预测

链路预测的目标是根据已知网络结构信息去预测尚未连接的节点间形成链接的可能性。大部分现存链路预测方法仅关注无向无权网络,忽略自然权重与网络结构,从而导致预测精度下降。为此,文章提出一个加权非负矩阵分解（WNMF）的链路预测模型。该模型同时保持自然权重和加权网络局部结构。首先,将权重网络的邻接矩阵分解映射到低维潜在空间,以保持原始网络自然链接权重,然后将3个经典的加权共同邻居（WCN）、加权Adamic-Adar（WAA）和加权资源分配（WRA）作为指示矩阵分配给非负矩阵分解模型,以保持网络局部结构,并融合以上两类信息提出3个基于加权非负矩阵分解框架（WNMF框架）的链路预测模型:WNMF-WCN、WNMF-WAA和WNMF-WRA。此外,采用拉格朗日乘法规则学习所提3个模型参数。在6个真实世界加权网络上将现有链路预测模型与本文链路预测模型相比较,其结果表明,所提模型的PCC和Precision值最高可分别提升22.8%和23.5%。     

基于网络表示学习的机会网络链路预测

针对机会网络的多维链路属性和网络结构动态变化的特点,提出基于网络表示学习的链路预测方法。设置切片时长,将机会网络转化为网络快照序列,利用多维链路属性表示每个快照内的链路状态。采用网络表示学习方法聚合邻居节点的多维链路属性,并映射为低维的属性嵌入矩阵;采用基于注意力机制改进的循环神经网络学习网络拓扑随时间动态演化的规律,提取属性嵌入矩阵之间的时序特征;在输出层建立时序特征与链路状态之间的映射关系,实现下一时刻整网的链路预测。在Infocom-05和Hyccups等数据集上的实验结果表明,与现有同类方法相比,所提方法具有更高的预测精度。     

基于模块度相似性的二分网络链路预测算法

基于社团结构,提出模块度相似性的二分网络链路预测算法,克服了二分网络在链路预测中丢失社团结构信息的局限性。首先,通过定义二分模块度,利用奇异值分解,将网络中的节点嵌入到欧式空间中的向量。其次,提出二分网络模块度相似性的框架,利用向量余弦相似度定义二分网络节点对之间的模块度相似性指标(MS指标)。最后,基于小提琴图和评价指标AUC,在3个真实网络上进行模拟仿真,与9种链路预测相似性指标进行对比,证明MS指标用于二分网络链路预测具有较高的精度。     

预测辅助的Ad hoc网络路由协议

Ad hoc网络中现有的预测路由协议在路由失效前提前修复路由却增大了路由开销.针对路由开销大的问题,提出了一种基于Ad hoc按需距离矢量路由协议并结合两种路由维护方式的预测辅助路由协议.协议中的每个节点都可能发起路由维护,根据节点在路由中的位置选择对应的路由维护方式;根据网络中节点移动特性与网络规模计算节点判决路由失效的能量阈值,确定是否发起路由维护.仿真结果表明,协议在保证网络可靠性的基础上比传统预测算法降低了3％ ～5％的网络路由开销,尤其适用于节点数目较多且移动速度较慢的网络.     

WSN定位中的RSSI概率质心计算方法

针对最小二乘综合定位精度不高与极大似然估计定位计算量大的问题,提出基于接收信号强度指示（RSSI）模型概率质心的定位方法.该方法采用在一定显著度下的锚节点定位环重叠区域代替整个无线传感网络（WSN）的分布区域,以重叠区域概率密度质心作为未知节点位置的估计.通过实验仿真获得2种方法在锚节点标准差存在差异时的定位误差曲线,对比结果显示,该方法的定位精度高于最小二乘定位方法,验证了该算法优于最小二乘定位算法.研究表明,该方法具有与极大似然估计相同数量级的定位精度,但计算量减少95%～97.5%.