没有合适的资源?快使用搜索试试~ 我知道了~
首页时序链路预测新算法:融合局部拓扑与时间序列影响力
时序链路预测新算法:融合局部拓扑与时间序列影响力
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 43 浏览量
更新于2024-06-27
收藏 1.32MB DOCX 举报
本文档探讨了一种融合局部拓扑影响力的时序链路预测算法,针对现实世界中的动态复杂网络,如航空交通、生物、文献引用、电力、社交和蛋白质网络等,这些网络随着时间的推移不断演变。链路预测作为理解网络结构和行为的关键技术,其目标是根据节点属性、连边属性和网络拓扑结构预测未来可能的连接。传统链路预测指标如CN、AA、RA、PA、LP和Katz基于节点间的相互联系和相似性进行计算,但这些方法主要适用于静态网络。 近年来,研究人员已经开始关注时序链路预测,它考虑了时间序列数据,比如通过计算节点对在不同时间点的相似性得分来提升预测准确性。例如,Huang等人提出的方法利用时间序列信息显著提高了动态网络预测的性能,而Güneş等人则结合静态拓扑结构相似性指标与ARIMA模型,进一步提升了预测效率。 然而,现有的时序链路预测方法往往忽略了网络演化过程中对网络本身的动态影响。刘继嘉等人引入了线性回归模型(LR),通过对改进后的相似性特征时间序列进行建模,来捕捉网络随时间变化的规律,从而实现了更精确的动态网络预测。这种方法不仅考虑了节点间的关系,还考虑了网络随时间的演变趋势,从而提高了预测的精准性和可靠性。 总结来说,这篇文档介绍了一种新颖的时序链路预测算法,它通过整合局部拓扑影响力和时间序列分析,能够更好地理解和预测动态网络中节点间连接的可能性,这对于复杂系统的理解和管理具有重要的理论和实践价值。这种算法的发展预示着未来在处理实时网络变化时,将会更加注重结合网络演化特性,提升预测精度。
资源详情
资源推荐
3.1 基于网络拓扑影响力的通用时序链路预测模型
网络拓扑的影响力包括全局影响和局部影响,局部影响又可以分为直接影响和间接影
响。全局影响力可以衡量拓扑对网络整体的重要性,如中心性指标可用于表示节点和连边
的全局重要性,特征向量指标可用于刻画网络产生的长期影响;在网络动态变化时,对于
网络中的一个个实体来说,只有与它有关系的节点和连边才会在相邻的一个时刻产生短期
影响,节点度指标便可以衡量节点的直接影响力,紧密度指标则可以衡量节点的间接影响
力;另外,对时序序列数据进行建模时,还需要考虑噪声和时间衰减变化等因素。因此,
发生于 T 时刻的新事件不仅受网络的全局和局部拓扑结构的影响,还受之前时刻的历史事
件影响。由此,对于时序动态网络的预测,给出预测未来时刻得分矩阵函数的通用模型
(CTLPM)为
$$ {\text{Score}}(T) = \sum\limits_{t = 1}^{T - 1} {[\gamma (t) + (F(G(t)) + } \varepsilon (t)) \cdot
{\boldsymbol{d}}(t)] $$
(4)
其中,$ \gamma (t) $表示 t 时刻网络拓扑的全局影响力,$ F({\text{ }}) $表示 t 时刻对
网络拓扑局部影响力的计算,G(t)表示 t 时刻网络的静态图拓扑情况,$ \varepsilon (t) $表
示 t 时刻的噪声影响,$ {\boldsymbol{d}}(t) $表示时序衰减矩阵。
全局影响力可以使用网络中节点或边的各类中心性指标进行度量。节点的度中心性指
标可以更准确地表示它对邻居的影响力,不同网络的节点即使度相同,由于网络整体的最
大度不同,它们对邻居节点的影响力也不同;介数中心性利用通过连边的最短路径数量表
示该连边和在该连边上节点的重要性,如网络中 2 个社团之间的连边要比社团之间的连边
的重要性更大;特征向量中心性可以表征为节点中心性的函数,与节点连接的邻居越重
要,该节点就越重要。不同类型的网络往往具有不同的特色演化规律,可以挑选合适的中
心性指标进行度量。
局部影响力可以考虑网络拓扑中节点和连边在局部范围内的结构特征进行融合表示,
可以用节点和连边的相似性,以及演化过程中的相关性进行度量。对于 t 时刻的节点 i 和 j
的局部影响力计算为
$$ F(e{}_t(i,j)) = {\text{Si}}{{\text{m}}_t}(i,j) + {\text{Si}}{{\text{m}}_t}({e_{ij}}) + {\text{Cov}}(i,j) $$
(5)
其中,$ {\text{Si}}{{\text{m}}_t}(i,j) $表示节点 i 和节点 j 的局部相似性,可以利用
节点的影响力,如度数、集聚系数等评价指标进行度量;节点的度越大,它对邻居的影响
力越大;节点的集聚系数越大,它把邻居节点进行汇聚的能力越大,可以间接证明节点的
影响力。$ {\text{Si}}{{\text{m}}_t}({e_{ij}}) $表示连边的局部相似性,可以利用静态网络
的局部相似性计算方法,从连边上经过的路径数量越多,该连边的影响力越大。
$ {\text{Cov}}(i,j) $表示节点 i 和节点 j,以及它们之间连边的相关性,节点的自相关系数
可以考虑相邻两个时刻节点共同邻居数的比值,连边的自相关系数可以考虑相邻两个时刻
连边局部介数的比值。
为了对不同的度量指标进行特征融合,所以重新定义时序网络局部影响力计算模型为
剩余18页未读,继续阅读
罗伯特之技术屋
- 粉丝: 4137
- 资源: 1万+
下载权益
电子书特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- 电力电子系统建模与控制入门
- SQL数据库基础入门:发展历程与关键概念
- DC/DC变换器动态建模与控制方法解析
- 市***专有云IaaS服务:云主机与数据库解决方案
- 紫鸟数据魔方:跨境电商选品神器,助力爆款打造
- 电力电子技术:DC-DC变换器动态模型与控制
- 视觉与实用并重:跨境电商产品开发的六重价值策略
- VB.NET三层架构下的数据库应用程序开发
- 跨境电商产品开发:关键词策略与用户痛点挖掘
- VC-MFC数据库编程技巧与实现
- 亚马逊新品开发策略:选品与市场研究
- 数据库基础知识:从数据到Visual FoxPro应用
- 计算机专业实习经验与项目总结
- Sparkle家族轻量级加密与哈希:提升IoT设备数据安全性
- SQL数据库期末考试精选题与答案解析
- H3C规模数据融合:技术探讨与应用案例解析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功