基于动态网络表示的链接预测

链接预测问题是复杂网络分析领域的重要问题.现有链接预测方法大多针对静态网络,忽视了动态信息在网络中的传播.为此,针对动态网络中的链接预测问题,本文提出了一种基于动态网络表示的链接预测(dynamic network representation based link prediction, DNRLP)模型.该模型对网络中不均匀的动态信息进行了学习,提出了基于连接强度的随机游走算法来模拟动态信息在网络中的扩散,从而得到新时刻下的节点表示,然后通过度量节点表示之间的相似度进行链接预测.实验使用平均交互排序(mean reciprocal rank,MRR)和召回率(Recall@k)指标在四个公开动态网络数据集上进行实验,结果显示DNRLP模型的MRR指标较对比模型平均提高了30.8%.实验结果表明DNRLP模型不仅学习了网络中的动态信息,还考虑了其对邻居节点的影响以及时间间隔对信息更新的影响,得到了更为丰富的节点表示,对于链接预测任务具有明显优势.     

面向结构洞的复杂网络关键节点排序

复杂网络中的结构洞节点对于信息传播具有重要作用, 现有关键节点排序方法多数没有兼顾结构洞节点和其他类型的关键节点进行排序. 本文根据结构洞理论与关键节点排序相关研究选取了网络约束系数、介数中心性、等级度、效率、网络规模、PageRank值以及聚类系数7个度量指标, 将基于ListNet的排序学习方法引入到复杂网络的关键节点排序问题中, 融合7个度量指标, 构建了一个能够综合评价面向结构洞节点的关键节点排序方法. 采用模拟网络和实际复杂网络进行了大量实验, 人工标准试验结果表明本文排序方法能够综合考虑结构洞节点和核心节点, 关键节点排序与人工排序结果具有较高的一致性. SIR传播模型评估实验结果表明由本文选择TOP-K节点发起的传播能够在较短的传播时间内达到最大的传播范围.