基于集成学习的复杂网络链路预测及其形成机制分析

摘要：

为了预测节点与网络中其他现有节点之间的新连接或缺失连接,链路(边)预测近年来引发了越来越多的研究兴趣.最近已经提出各种具有不同特点的算法,以解决链路预测的问题,其中每种算法只考虑一种网络信息,从而产生片面的结果.提出基于集成学习的方法,将所有单一算法集成组合,综合考虑网络的各种信息来解决这一问题.在8个真实网络上进行了实验,利用局部拓扑索引、全局拓扑索引和推荐算法提取了17个不同的特征.结果 表明,集成学习的关键性能指标——受试者工作特征曲线(receiver operating characteristic curve,ROC)下面积(area under curve,AUC)比最佳单一算法提高2％至17％,最高达到0.9624.此外,根据度分布和随机森林得到的特征选择,分析了不同类型网络的结构与形成机制.在形成机制、网络类型和功能之间,获得了一些重要的见解:由某些确定的机制或假设导出的特征,确实是连接2个节点的内在驱动力,也正因为如此,这些特征可以用于链路预测.

关键词：集成学习、链路预测、复杂网络、形成机制

所属期刊栏目：32

分类号：TN915

资助基金：The Science and Technology Development Fund of Macau0025/2018/A1,0019/2018/ASC,0008/2019/A1,0010/2019/AFJ,0025/2019/AKP

在线出版日期：2020-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：759-768