有向图中ESimRank：一种新的结构相似性度量

"有向图中基于结构的综合相似性度量" 有向图中的节点相似性计算是多种领域的核心问题，比如聚类分析、协同过滤和社区挖掘等。近年来，研究者提出了许多相似性度量方法，如SimRank、PSimRank和SimFusion，它们在一定程度上帮助识别节点间的关联。然而，这些方法存在局限性，主要在于它们仅仅关注路径长度相等的预期满足概率，忽视了可能存在的一些潜在相似节点。此外，这些度量未能区分每个边的链接重要性，这可能导致在寻找相似节点时产生不合理的排序。 针对上述问题，本文提出了一个名为ESimRank的新型结构相似性度量。ESimRank引入了一个叫做有效关系强度（ERS）的概念，用以区分链接的重要性。ERS考虑了节点的活动度、节点的吸引力以及链接的频率，使得每个边的权重得以量化。接着，通过结合ERS和任意路径长度的预期满足概率，构建了ESimRank的数学模型。这种方法能够发现更多潜在的相似节点，并提供更高质量的相似性排名。 为了提高计算效率，作者还设计了一种扩展的基于部分和的算法。这种算法显著降低了计算相似度的时间复杂度，适应大规模有向图的处理需求。通过与现有相似性度量的对比实验，ESimRank的有效性和高效性得到了验证，表明它在寻找有向图中节点相似性的任务上表现优秀。 "有向图中基于结构的综合相似性度量"的研究为理解复杂网络中的节点关系提供了新的工具，对于数据挖掘、推荐系统和社交网络分析等领域具有重要应用价值。ESimRank不仅弥补了现有方法的不足，还为未来相似性度量的研究开辟了新方向，强调了考虑边的权重和节点活性在衡量网络结构相似性中的关键作用。