[发明专利]基于贝叶斯理论的时变网络链路预测方法

权利要求书

1.一种基于贝叶斯理论的时变网络链路预测方法，其特征在于，包括如下步骤：

步骤1，在不同时间点对真实网络进项采样，得到时变网络的时序序列G＝＜G₀,G₁,...,G_n＞；

步骤2，选择时间戳T将该时刻的网络G_T分为训练集和测试集；

步骤3，利用路径的信息对链接的产生进行初步评分；

步骤4，通过贝叶斯方法，使用全局信息分别对不同长度路径的权重进行修正；

步骤5，使用时变网络其他时刻的拓扑结构估计网络应有的拓扑特征，再次通过贝叶斯方法，利用估计的拓扑特征分别对不同长度路径的权重进行修正；

步骤6，应用训练后的预测方法预测网络的未来信息。

2.根据权利要求1所述的时变网络中的基于贝叶斯理论的链路预测方法，其特征在于，步骤1所述，在不同时间点对真实网络进项采样，得到时变网络的时序序列G＝＜G₀,G₁,...,G_n＞，具体如下：

选取真实网络发展过程中的若干个时刻，将每一个时刻的网络抽象为静态网络，将真实网络中的个体抽象为节点，将个体间的关系抽象为层中的连边。

3.根据权利要求1所述的时变网络中的基于贝叶斯理论的链路预测方法，其特征在于，步骤2所述选择时间戳T将该时刻的网络G_T分为训练集和测试集，具体如下：

将T时刻网络的邻接矩阵A按照90％和10％的比例拆分为训练集A^T和测试集A^R，A^T作为已知的拓扑结构，用其训练链路预测算法，A^R作为被预测的结构，用其衡量链路预测算法的预测精度。

4.根据权利要求1所述的时变网络中的基于贝叶斯理论的链路预测方法，其特征在于，步骤3所述的利用路径的信息对链接的产生进行初步评分，具体如下：

定义路径的聚类系数P(A₁|ω_k)作为路径的贡献，路径的聚类系数基于路径去除两端链接的剩余部分，路径两端节点为节点u与节点v，其路径上的邻居分别为节点m与节点n，路径的核心即路径中节点m与节点n之间的部分；长度为k的路径的核心用A^k-2(k≥2)表示，A表示网络的邻接矩阵；

在一条长度为k的路径确定存在的情况下，用统计学的方法确定它对其连接的节点对的贡献，假定初始情况下由路径成功促成的链接数量NLinked以及未成功促成的链接数量NUnLinked都是1；由路径的核心出发，检测核心两端的邻居，从两端的邻居中各取一个组成邻居对，对于每一个节点对，若节点对相连，则成功促成的链接数量加1，反之则未成功促成的链接数量加1，利用公式计算路径的贡献；更进一步，利用局部信息修正路径的贡献，此时路径的贡献为N(m)表示节点m的度，N(n)表示节点n的度。

5.根据权利要求1所述的时变网络中的基于贝叶斯理论的链路预测方法，其特征在于，步骤4所述的通过贝叶斯方法，使用全局信息分别对不同长度路径的权重进行修正，具体如下：

在确定两点间存在通路的情况下，通过贝叶斯法则，利用全局的网络结构信息对路径的贡献进行修正，得到P(ω_k|A₁)：

P(A₁)表示网络中一条链接存在的概率；采用统计学的方式，计算网络中出现一条链接的概率并以此概率表示P(A₁)，N(A₁)表示网络中长度为1的链接的数量，N_max(A₁)表示网络中可能出现的长度为1的链接的最大数量；

P(ω_k)表示两点间一条长度为k的链接存在的概率，N(ω_k)表示网络中长度为k的路径的数量，N_max(ω_k)表示网络中可能出现的长度为k的路径的最大数量。