[发明专利]基于贝叶斯理论的时变网络链路预测方法

说明书

本本发明公开了一种基于贝叶斯理论的时变网络链路预测方法。实现步骤是：首先，根据真实网络得到时变网络的时序序列；其次，将特定时刻的网络拆分为训练集和测试集两个部分；然后，应用训练集中的拓扑信息预测测试集中的连边信息；最后，应用该预测方法，通过贝叶斯方法，用多层网络的信息对预测进行修正。本方法同时利用连边和路径的同质性，并挖掘时变网络的拓扑价值来预测连边，能够充分提高链路预测算法的预测性能。

技术领域

本发明属于数据挖掘算法领域，被用于在复杂网络之中预测未来信息，尤其适用于社交网络的推荐系统。

背景技术

现实生活中存在着无数复杂网络，如社交网络，通信网络，交通网络等，这些网络与人们的生活有着千丝万缕的联系，但有些网络难以观测，另一些网络则是时刻变化，难以预测的。链路预测(Link Prediction)致力于探索网络系统中个体之间缺失的或将要产生的关联，这会对人们的生活大有帮助，因此这一领域受到了研究者们广泛的关注。链路预测是网络科学研究的基础问题之一，其目标是基于已知的网络拓扑结构以及节点属性信息，利用复杂网络、机器学习等理论方法预测网络中缺失的或将要出现的链接。目前主流的链路预测方法主要分为基于网络拓扑结构和基于机器学习方法两大类。基于网络拓扑结构的链路预测方法根据两点间的结构相似性以及网络演变的趋势推断节点间产生连接的可能性。基于机器学习的预测方法涵盖非常广泛，似然分析的方法、马尔科夫链、传统机器学习方法、深度学习等都被涵盖在内。这些方法主要依据节点的属性信息估计节点间的相似程度，判断节点之间是否会产生连接。

基于网络拓扑结构的链路预测方法认为节点间的共性越多，在未来越可能产生链接。这很符合一般生活中的常识，比如两个共同邻居越多的人，越有可能被介绍成为朋友。不同的相似性标准刻画了网络中节点不同的交互方式，包括基于共同邻居的节点相似性(CN、AA、RA)、基于路径的节点相似性(Katz)、基于网络信息熵的节点相似性等等。这些相似性指标要么关注局部拓扑信息，要么关注全局拓扑信息，没有将所有信息综合考虑，不能很好地抓住目标网络的结构特征，故预测精度有待提高。

传统预测方法中，相同长度的通路通常被认为是等价的，且长度不同的通路在网络中的重要程度是事先未知的。本文认为即使是相同长度的不同路径对形成链接的贡献也有差异，并且不同长度的路径的重要程度应由实际观测到的网络拓扑结构决定。利用统计学的方法，我们可以得到路径对特定节点对之间产生链接的贡献。但是，这种估计没有充分利用网络的拓扑信息。路径实际的贡献受到局部拓扑结构，全局拓扑结构以及网络演变趋势的影响。目前为止的大多数链路预测算法都只是基于单层网络，即只考虑了单一时刻的网络拓扑信息，而忽视了不同时间点网络结构的关联性。

发明内容

本发明的目的在于提供一种预测性能高、计算复杂度相对较低、应用于时变网络的链路预测方法。

实现本发明目的的技术解决方案为：一种基于贝叶斯理论的时变网络链路预测方法，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，训练集将被用来训练算法，测试集将被用来验证预测效果；

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。