[发明专利]基于线性规划的有向网络链路预测方法

说明书

本发明属于复杂网络链路预测技术领域，特别涉及一种基于线性规划的有向网络链路预测方法，该方法首先引入可调参数，区分三种类型邻居的影响权重，然后将其对连边形成的贡献程度看作未知量，通过对有向网络的结构分析建立优化函数，构建关于贡献程度矩阵的线性规划问题，求解贡献程度矩阵的最优解，最后结合该最优解构建链路预测指标，用于有向网络链路预测。本发明考虑有向网络特有局部结构，利用可调参数区分三种类型邻居节点对连边形成的影响，采用线性规划方法求解邻居节点的最优贡献矩阵，相比传统方法更符合网络结构特征，结果更具有普适性，在多种类型网络中具有鲁棒的预测性能。

技术领域

本发明属于复杂网络链路预测技术领域，特别涉及一种基于线性规划的有向网络链路预测方法。

背景技术

复杂网络作为网络科学的基本研究对象，可用于对各类复杂系统与非线性过程进行抽象建模，为研究其内在结构机理与动态特性带来极大便利。链路预测作为复杂网络研究中的基本问题，旨在利用已观测的网络结构、属性等信息预测网络中的未知连边或未来连边。其本质是大规模图数据挖掘问题，目前已在推荐系统、交通规划、生物科研等诸多领域展现出巨大应用价值。

自2003年首次被提出以来，链路预测已历经近20年的研究，相关方法日趋成熟。然而多数研究均以简单的无向无权网络作为研究对象，忽略连边方向、权重及其它属性，着重研究网络内在拓扑特性。现实世界中的复杂系统大多具有连边方向，直接将其简化为无向网络进行研究势必影响结果的准确性。比如微博关注关系网络，其连边方向指示好友间的关注关系，传统链路预测方法无法确定连边方向，导致预测结果的混淆。同理，在食物链网络、论文共引网络、科研合作网络等典型有向网络中，传统链路预测方法均无法实现对连边存在性与指向方向的同时预测。

近年来，相关学者逐步将关注点聚集于有向网络，相继提出多种适用于有向网络的链路预测方法。其中大部分方法可视为传统无向网络链路预测方法的推广，并未针对有向网络特有的局部结构特点进行分析建模，预测性能存在一定瓶颈。此外，少数考虑区分邻居节点贡献程度的方法利用先验结构特征对节点贡献程度进行赋值，常用的结构特征包括出入度、簇系数、介数等等。此类方法基于对网络结构的先验假设，在不同类型的有向网络中普适性差。

发明内容

为了解决大规模静态有向无权复杂网络上的链路预测问题，本发明提出了一种基于线性规划的有向网络链路预测方法，该方法深度挖掘有向网络中三种不同结构邻居对连边产生的信息贡献，通过构建与求解线性规划问题计算该信息贡献的最优估计值，进而将其用于未知连边的预测，该方法在多种类型有向网络中具有较高的精度与鲁棒性，可用于解决多数链路预测问题。

为解决上述技术问题，本发明采用以下的技术方案：

本发明提供了一种基于线性规划的有向网络链路预测方法，包含以下步骤：

步骤1，根据网络类型与先验信息确定可调参数的取值，引入可调参数区分不同邻居节点的信息传输能力；

步骤2，利用步骤1的可调参数构建原始有向网络的有向含权同质网络；

步骤3，基于线性规划计算最优的邻居节点贡献矩阵；

步骤4，根据步骤3得到的最优的邻居节点贡献矩阵，计算相似度矩阵；

步骤5，按相似度大小进行排序，取前若干条边作为最终预测边。

进一步地，在所述步骤1之前，还包括：

对目标网络进行预处理，包括去除连边权重、自环、重复连边和孤立节点，得到原始网络的无权同质拓扑结构，作为待处理网络。

进一步地，在对目标网络进行预处理之后，还包括：

对待处理网络中的连边按照比例f进行随机划分，其中一部分作为训练集，另一部分作为测试集，训练集与测试集中的连边数量之比为f:(1-f)，其中f为数据集划分比例。