论文部分内容阅读
网络中,链路预测任务旨在学习节点间的潜在关系,以预测未知的潜在连接状态。当前的大多数链路预测方法用于处理静态网络;但是现实中大多数网络都属于动态网络,即网络的顶点和链接都会随时间变化;因此这些方法不能为动态网络产生良好的预测结果。为了提高动态网络链路预测的准确率,文章从网络微观结构演化的角度入手,在动态网络时间窗口划分优化的基础上,引入整合移动平均自回归模型构建了预测模体演化的概率矩阵,综合考虑模体演化影响因子及模体演化概率,可获得任意节点间的连接边概率。文章研究的主要内容是:1、动态网络时间窗口划分方法的研究。为了在低损失网络信息的情况下快速、准确的划分出合适大小的时间窗口,文中确定两个动态网络中以时间窗口为共同变量且呈现趋势相反的函数,利用两函数的差值最小化来找到合适的窗口大小。文中针对网络的动态性提出便捷的处理办法,将会对算法整体的效率提升有很大帮助。2、动态网络演化规律的获取。文中将模体引入到动态网络中,利用各时序状态下不同模体间的演化规律来对动态网络的链路关系分析和预测;同时也能注意到网络中的微观结构对网络演化的影响。为此,文中定义模体演化矩阵来表示动态网络相邻时间窗口上各模体间的演化规律。将模体间的历史转移概率看作特定的时间序列从而预测后续的网络演化情况。3、构建时序预测模型。针对网络动态性的特点,构建整合移动平均自回归模型,将第二步获取的时间序列视为随机序列,这些随机变量的相关性便反映了原始数据在时间上的延续性,以此根据构建出模体演化概率预测矩阵;同时,考虑模体演化过程中链接权重和闭包三元组对连边形成的影响,综合预测矩阵从而得出任意两节点的产生连边的概率。文章在两个真实的数据集安然(Enron)网络和Facebook-wosn-wall下进行试验。首先对时间窗口划分方法的有效性进行验证;并以AUC预测指标作为评价标准,将文章所提的MFME方法与TTM、TCM、TS进行对比实验。结果表明所提方法能达到更好的链路预测效果。