[发明专利]基于结构扰动与线性优化的有向网络链路预测方法

说明书

本发明公开了一种基于结构扰动与线性优化的有向网络链路预测方法，主要解决有向网络中的链路预测的预测准确性较低的问题。其方案是：1)下载一个真实的有向网络数据集，获得有向网络的邻接矩阵；2)将网络邻接矩阵分解为对称矩阵和非对称矩阵；3)将对称矩阵划分为剩余集和扰动集，并用扰动集对剩余集进行干扰，得到当前初始扰动矩阵；4)重复3)共10次取平均，并加上非对称矩阵，得到最终的扰动矩阵；5)将最终扰动矩阵作为线性优化LO算法的输入，计算相似度矩阵S；6)将S中未连接节点对的相似度按照降序排列，取前P条链路即为预测出来的有向网络链路。本发明提高了链路的预测精度，可用于各类推荐系统和交通系统。

技术领域

本发明属于数据挖掘技术领域，具体涉及一种有向网络链路预测方法，可应用于各种推荐系统、交通系统、生物研究、分析犯罪事件。

背景技术

在如今的数据时代里，准确掌握和处理数据信息显得尤为重要，而复杂网络的链路预测是一种数据挖掘的基本方法。复杂网络的链路预测不仅可以用来解决数据不完整和不可靠的问题，而且可以广泛地应用于各种推荐系统、交通系统、生物研究领域、分析犯罪事件和恐怖事件等等。

这些年来，愈来愈多的研究人员开始研究链路预测问题，并提出了很多链路预测算法。复杂网络的链路预测旨在根据网络中的可用信息来预测网络中缺失的链路和未来可能出现的链路。但是，其中大多数的链路预测方法都只针对无向的复杂网络。在现实生活中，大部分真实网络都是有向网络。例如，在食物网络中，捕食者和被捕食者的关系是单向的，这种单向关系只能用有向边来刻画。因此，有向网络的链路预测逐渐成为研究人员们的研究热点和研究难点。在有向网络的链路预测中，不仅要预测网络中缺失的链路，还要预测网络中缺失链路的方向。很显然，无向网络的链路预测算法的应用价值在实际中会变小。

近年来，也有一些有向网络的链路预测算法被研究人员提出。例如，结构扰动法是一种能够很好地使用网络的整体结构信息来实现预测缺失链路的算法，其在2018年通过矩阵分解被扩展到了有向网络。结构扰动法的基本思想是使用原始复杂网络的一小部分连边来扰动剩余连边构成的网络，从而实现预测。在该算法中，需要保持复杂网络相应邻接矩阵的特征向量不变，并且改变邻接矩阵的特征值，以此来恢复原始网络中缺失的连边信息。Ratha Pech和周涛等人在2019年提出了一种线性优化LO方法，线性优化LO方法是一种可以直接用于有向网络链路预测的算法。线性优化LO方法的基本思想是将网络中两个节点之间存在链路的可能性通过其相邻的节点贡献的线性求和来获得，从而将链路预测问题转化为一个似然矩阵的优化问题。在线性优化LO方法中，主要利用了原始复杂网络的奇数路径连边信息来预测。然而，结构扰动和线性优化LO方法使用的网络连边信息都比较少，导致预测精度稍差。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于结构扰动与线性优化的有向网络链路预测方法，以通过融合结构扰动和线性优化法来使用更多的网络连边信息，提高预测精度。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)下载一个真实的有向网络数据集，根据有向网络数据集中的节点和链路信息得到有向网络的邻接矩阵A；

(2)将网络邻接矩阵A分解为对称矩阵和非对称矩阵

其中，A^T为A的转置；

(3)将对称矩阵按照9∶1的比例划分为剩余集R和扰动集D，并用扰动集D干扰剩余集R，得到当前初始扰动矩阵M；

(4)重复执行(3)共10次，将每一次得到的初始扰动矩阵M相加并取平均值，得到平均初始扰动矩阵

(5)给平均初始扰动矩阵加上非对称矩阵得到最终的扰动矩阵

(6)将最终扰动矩阵F作为线性优化LO算法的输入，计算相似度矩阵S，该相似度矩阵中的元素S_xy表示网络中从节点x到节点y存在链路的概率，即已连接节点对的概率和未连接节点对的概率；