拓扑有效路径驱动的有向网络链路预测策略

随着网络科学的深入发展，复杂网络理论在多个领域展现出强大的应用潜力，如交通网络、学术引用网络、生物系统和社交网络等。其中，链路预测作为复杂网络研究的关键课题，其目标是通过分析已知的网络结构，预测潜在的连接关系，包括缺失、错误或未来的连接。这种方法对于增进我们对网络动态的理解，优化社交推荐、生物结构发现和科研合作识别等具有重要意义。 现有的链路预测方法主要分为基于局部结构、半局部结构和全局结构三种类型。局部结构方法如共同邻居法（CN）、AA指标和资源分配指标（RA）等，假设相似的节点更有可能相互连接，但这些方法可能对大度节点（有很多邻居的节点）过于敏感。半局部方法，如CAR（考虑共同邻居间交互），在一定程度上考虑了节点间的交互效应。全局方法如Katz指数、度偏好随机游走（DRW）和随机游走带重置（RWR）等，能捕捉到网络的整体模式，但计算复杂度较高，不适合大规模网络。 然而，现有的研究往往忽视了链路长度和节点影响力在相似性评估中的作用。节点对的相似性不仅仅取决于最短路径，还受到路径上各节点影响力的共同影响。为了弥补这一不足，本文提出了一种新颖的链路预测方法——基于拓扑有效连通路径。该方法不仅考虑了节点的邻接关系，还引入了节点的出入度（度量节点连接的广泛性）、半局部中心性（如H-指数，衡量节点的影响力）以及连边的传递能力，这有助于更准确地评估节点对的相似性。 为了降低计算复杂度，本文选择度量节点影响力的三个关键指标：出入度反映节点连接的广泛程度，半局部中心性如H-指数则揭示节点在一定范围内的相对重要性，这两种都是快速获取的局部信息。至于连边的传递能力，则通过量化这些节点影响力的传播效果来进行。这种方法在实证网络数据上进行了广泛的验证，结果显示，相比于传统的链路预测方法，基于拓扑有效连通路径的方法能提供更为精细和准确的预测结果，尤其在处理大型网络时更具优势。通过这种方法，我们能够更好地理解网络结构对相似性的决定因素，从而优化网络分析和预测性能。