發(fā)布時間：2020-10-31 04:51

　　 鏈路預測是復雜網絡研究中的一個重要內容,傳統(tǒng)的靜態(tài)鏈路預測方法忽略了網絡演化的時間特性,而時序鏈路預測可以利用歷史網絡的一些信息,更好地做出預測。首先,本文基于局部隨機游走的靜態(tài)鏈路預測方法,針對無權無向網絡中的時序鏈路預測問題,提出一種時序隨機游走方法,主要思想是利用時間和網絡拓撲信息,將每一時刻下網絡的馬爾科夫概率轉移矩陣組合到一個變換矩陣,然后應用局部隨機游走方法獲得最終的預測結果。本文在兩個真實網絡數(shù)據(jù)集上進行實驗驗證,結果表明本文算法能有效提高鏈路預測精度。其次,本文介紹了一些加權相似度指標,將提出的時序隨機游走方法修改成加權形式的,并應用到加權網絡中。本文通過實驗對比靜態(tài)鏈路預測算法在加權網絡與無權網絡中的性能,發(fā)現(xiàn)有小部分算法在加權網絡中的性能還不如在無權網絡中的性能好,由此本文聯(lián)想到弱鏈接理論,并對這個理論加以分析。另外,本文通過實驗分析了修改后的時序隨機游走算法在加權網絡中的表現(xiàn)。實驗結果表明,修改后的算法在加權網絡中的預測精度有所提高。
【學位單位】：暨南大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：O157.5
【部分圖文】：

(a) (b)(c) (d)圖2-1 四種類型的圖如圖2-1所示，根據(jù)圖中的邊是否有權、是否有向，分為四種類型：(1) 無權無向圖：如圖2-1(a)所示，圖中的邊是無權的、無向的。無權意味著圖中的邊的權值均相等(通�？梢约僭O每條邊的權值為1)。所謂無向意味著任意點對 與 對應于相同的邊，節(jié)點 和 是無向邊 的兩個端點。比如，

歷史拓撲圖，是用來檢測鏈路預測算法性能的數(shù)據(jù)依據(jù)， 代表連邊概率矩陣，是一種對未來時刻網絡拓撲結構的猜測。圖2-2 無權無向網絡鏈路預測圖2.2 隨機過程與馬爾科夫鏈定義1(隨機過程) 設給定概率空間 和參數(shù)集 ，若對每一，都有定義在 上的一個隨機變量 與之對應，則稱依賴于參數(shù) 的隨機變量族 為一隨機過程，記為，簡記為 或 。其中 是參數(shù)，在實際問題中參數(shù) 常表示時間， 稱為參數(shù)空間

若所有分數(shù)全是隨機產生的，那么 。因此，AUC值大于0.5的程度可以衡量算法精確的程度。移動窗口切片方法(如圖2-3所示)是計算時序鏈路預測方法AUC值時選取訓練集、測試集的一種方法，針對每個時間窗口 的取值，首先選取時序網絡圖中前 個時刻網絡快照作為訓練集，以 時刻網絡快照為測試集，計算一次AUC值，然后將時間窗口后移一個單位，計算下一個AUC值，這樣就可以得到每一次獨立實驗的AUC值，然后對這些值取平均作為對應時間窗口 取值時鏈路預測方法的AUC值[1]。圖2-3 訓練集和測試集的選取…訓練集測試集…訓練集測試集
【參考文獻】

相關期刊論文 前2條

1 鄧志宏;老松楊;白亮;;基于預測誤差修正的時序鏈路預測方法[J];電子與信息學報;2014年02期

2 呂琳媛;;復雜網絡鏈路預測[J];電子科技大學學報;2010年05期

本文編號：2863470