不平衡复杂网络链接分类：双重特征选择与性能优化

本文研究的论文关注的是复杂网络链接分类中的一个重要挑战——不平衡性和冗余特征对分类性能的影响。在基于有监督学习的网络分析中，链接分类任务通常涉及将训练网络中的信息应用到目标网络上，以预测其链接属性。然而，实际复杂网络中正类别（如存在关联的节点）和负类别（如不存在关联的节点）样本数量常常不均衡，这可能导致分类器偏向于数量较多的一方，从而降低预测准确性。 为了克服这个问题，研究人员提出了一个双重特征选择的不平衡复杂网络链接分类模型。首先，他们利用Relief算法赋予特征权重，Relief是一种基于实例的学习方法，它通过比较每个特征在正负样本间的差异来评估其重要性。这种权重分配有助于识别出对于分类至关重要的关键特征，从而减少噪声和冗余信息的影响。 接着，他们采用K-means聚类算法对不平衡的样本进行重采样，K-means是一种无监督学习方法，通过将数据分组成最相似的群体来平衡正负样本的数量，这有助于解决数据不平衡问题，提高分类器对少数类别的敏感性。 此外，模型还引入了极小冗余—极大相关（mRMR）方法，这是一种用于特征选择的技术，它同时考虑了特征之间的互斥性和与类别之间的相关性。mRMR通过最大化类别信息增益和最小化特征间的冗余度，确保选取的特征能最大程度地提供区分力，同时避免过多的冗余信息。 在多个真实复杂网络数据集的实验中，这个双重特征选择的模型展现出显著优于现有主流链接分类模型的性能。它不仅有效地解决了不平衡问题，而且通过特征选择策略提高了分类的精度和效率。因此，该研究为复杂网络链接分类提供了一种有效的方法，有望在未来的研究中得到广泛应用。