融合节点与非对称链接聚集系数的链接预测新算法

"该文提出了一种融合节点聚集系数和非对称链接聚集系数的链接预测算法，旨在改进传统算法仅关注节点聚集系数而忽略预测节点与共同邻居间链接聚集系数的问题。通过计算共同邻居的聚集系数和平均链接聚集系数，并结合Dempster-Shafer证据理论，该算法在9个网络数据集上表现优于CN、AA、RA和IMP_CN等相似性指标。" 链接预测是网络分析中的一个重要任务，它依赖于网络结构信息来预测未来可能形成的链接。通常，节点的聚集系数被用来衡量一个节点的邻居节点之间形成链接的密集程度，这一度量反映了网络的局部结构特征。然而，传统的基于聚集系数的链接预测算法往往忽视了预测节点与其共同邻居间的链接聚集系数对相似性的影响。 为了解决这个问题，该研究提出了一种新的链接预测方法，它同时考虑了节点的聚集系数和非对称链接聚集系数。非对称链接聚集系数是指从一个节点到另一个节点的链接比例，它反映了两个节点之间连接的方向性。算法首先计算共同邻居的聚集系数，然后使用这些共同邻居的两个非对称链接聚集系数来确定平均链接聚集系数。这一步骤有助于捕捉到预测节点之间的潜在关联模式。 接下来，Dempster-Shafer证据理论被引入来融合这两种聚集系数，生成一个综合性的度量指标。Dempster-Shafer理论是一种处理不确定性和证据融合的数学框架，它可以将来自不同源的信息有效地结合起来。在这个算法中，它用于集成节点聚集系数和非对称链接聚集系数，以生成更全面的相似性估计。 最后，这个综合度量被应用于中间概率模型(IMP)，创建了一个名为IMP_DS的新相似性指标。实验结果证明，IMP_DS在ROC曲线下方面积(AUC)和精度值(Precision)上优于常见的相似性指标，如共同邻居(CN)、Adamic-Adar(AA)、资源分配(RA)以及基于共同邻居的中间概率模型(IMP_CN)。这表明提出的算法在预测链接的准确性上有显著提升，尤其是在复杂网络环境中。 关键词包括链接预测、复杂网络、Dempster-Shafer理论、聚集系数和相似性指标，这些关键词涵盖了研究的核心内容和技术手段。该研究对于理解网络结构并预测其动态演化具有重要意义，特别是在社交网络、生物网络和信息网络等领域。