加權(quán)好友推薦模型鏈路預(yù)測(cè)算法*

錢(qián)付蘭，楊 強(qiáng)，馬 闖，張燕平

1.安徽大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，合肥 230601

2.安徽大學(xué) 數(shù)學(xué)科學(xué)學(xué)院，合肥 230601

3.安徽大學(xué) 信息保障技術(shù)研究中心，合肥 230601

1 引言

網(wǎng)絡(luò)已經(jīng)成為描述形形色色復(fù)雜系統(tǒng)最重要的工具之一[1]，網(wǎng)絡(luò)科學(xué)隨著社交媒體和大數(shù)據(jù)的發(fā)展，以復(fù)雜網(wǎng)絡(luò)和社交網(wǎng)絡(luò)為目標(biāo)的網(wǎng)絡(luò)研究日新月異。網(wǎng)絡(luò)中的鏈路預(yù)測(cè)問(wèn)題主要是根據(jù)網(wǎng)絡(luò)本身的拓?fù)浣Y(jié)構(gòu)和網(wǎng)絡(luò)的外部信息尋找一些算法進(jìn)行預(yù)測(cè)，估計(jì)網(wǎng)絡(luò)中未產(chǎn)生連邊的兩點(diǎn)之間連接邊的可能性[2]。鏈路預(yù)測(cè)作為網(wǎng)絡(luò)科學(xué)中的重要研究?jī)?nèi)容，在眾多現(xiàn)實(shí)問(wèn)題中有著廣泛的應(yīng)用背景，業(yè)已成為橫跨多個(gè)學(xué)科的核心科學(xué)問(wèn)題。

無(wú)論是計(jì)算機(jī)領(lǐng)域的數(shù)據(jù)挖掘[3-4]還是社交網(wǎng)絡(luò)中的朋友推薦[5-6]，無(wú)論是恐怖分子網(wǎng)絡(luò)中的威脅發(fā)現(xiàn)還是生物領(lǐng)域中的蛋白質(zhì)交互[7]，在實(shí)際的鏈路預(yù)測(cè)應(yīng)用中，如何從現(xiàn)有的鏈路預(yù)測(cè)算法中選擇較為合適的算法或針對(duì)具體網(wǎng)絡(luò)結(jié)構(gòu)和應(yīng)用背景設(shè)計(jì)合理的算法，以取得較好的預(yù)測(cè)效果，是鏈路預(yù)測(cè)所要解決的首要問(wèn)題。

常見(jiàn)的算法主要基于節(jié)點(diǎn)屬性和網(wǎng)絡(luò)局部結(jié)構(gòu)進(jìn)行鏈路預(yù)測(cè)。雖然利用節(jié)點(diǎn)屬性等外部信息通?？梢缘玫胶芎玫念A(yù)測(cè)效果，但是節(jié)點(diǎn)屬性很多時(shí)候是難以獲得的，即使獲取也經(jīng)常伴有噪聲。相比而言，網(wǎng)絡(luò)局部結(jié)構(gòu)更易獲得也更可靠[8]。因此近年來(lái)，基于網(wǎng)絡(luò)局部結(jié)構(gòu)的鏈路預(yù)測(cè)算法日益受到關(guān)注。

本文組織結(jié)構(gòu)如下：第2章介紹了一些與本文有關(guān)的鏈路預(yù)測(cè)的研究工作。第3章主要介紹本文提出的鏈路預(yù)測(cè)算法。第4章是實(shí)驗(yàn)以及結(jié)果分析。第5章為結(jié)束語(yǔ)，總結(jié)本文的工作，對(duì)下一步研究進(jìn)行展望。

2 相關(guān)工作

基于網(wǎng)絡(luò)局部結(jié)構(gòu)進(jìn)行鏈路預(yù)測(cè)的算法有很多。其中，最簡(jiǎn)單的相似性算法是共同鄰居算法[9]（common neighbor，CN），將兩個(gè)節(jié)點(diǎn)間的相似性定義為共同鄰居節(jié)點(diǎn)數(shù)。Adamic等人[10]考慮了節(jié)點(diǎn)間共同鄰居的度，根據(jù)共同鄰居節(jié)點(diǎn)的度為每個(gè)節(jié)點(diǎn)賦予一個(gè)權(quán)重值，提出Adamic-Adar，即AA算法。Zhou等人[11]受網(wǎng)絡(luò)資源分配過(guò)程的啟發(fā)，提出了資源分配指標(biāo)（resource allocation，RA）算法，與AA算法有異曲同工之處。尹永超等人[12]考慮到不同鄰居節(jié)點(diǎn)對(duì)兩個(gè)終節(jié)點(diǎn)的影響，提出了CRA（common resource allocation）算法。基于網(wǎng)絡(luò)局部結(jié)構(gòu)的鏈路預(yù)測(cè)算法大體上可以分為如下幾方面：

（1）融合局部結(jié)構(gòu)性指標(biāo)如聚類(lèi)系數(shù)等提出新算法。

文獻(xiàn)[13]受局部結(jié)構(gòu)思想的影響，使用網(wǎng)絡(luò)共同鄰居節(jié)點(diǎn)的聚類(lèi)系數(shù)直接表達(dá)網(wǎng)絡(luò)的局部結(jié)構(gòu)信息，提出的CCLP（clustering coefficient for link prediction）指標(biāo)在預(yù)測(cè)缺失邊的效果優(yōu)于CAR（Cannistrai-Alanis-Ravai）指標(biāo)。文獻(xiàn)[14]利用三元閉包機(jī)制結(jié)合網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特性，提出了一種基于三元閉包的節(jié)點(diǎn)相似性鏈路預(yù)測(cè)算法并且提高了預(yù)測(cè)精度。文獻(xiàn)[15]認(rèn)為小度的鄰居節(jié)點(diǎn)應(yīng)該賦予較大的權(quán)值，在相似性度量中考慮所有節(jié)點(diǎn)和路徑，提出了PNC（path and node combined approach）算法，并且提升了基于相似性的鏈路預(yù)測(cè)算法的性能，該算法好于節(jié)點(diǎn)依賴(lài)性和路徑依賴(lài)性的方法。文獻(xiàn)[16]考慮局部信息和偏好連接的影響，提出了CN+PA（common neighbor+preferential attachment）相似性指標(biāo)，并且提升了鏈路預(yù)測(cè)算法的性能。

（2）刻畫(huà)某種特殊局部特征并針對(duì)該特征提出新算法。

文獻(xiàn)[17]首先刻畫(huà)了網(wǎng)絡(luò)中大多存在PWCS（nodes are preferentially linked to the nodes with weak clique structure）現(xiàn)象，即節(jié)點(diǎn)更偏向連接具有局部群落結(jié)構(gòu)的節(jié)點(diǎn)。然后，該論文據(jù)此提出了一種朋友推薦模型——FR（friend recommendation）鏈路預(yù)測(cè)相似性計(jì)算指標(biāo)，F(xiàn)R無(wú)論是AUC還是Precision都普遍優(yōu)于傳統(tǒng)指標(biāo)。文獻(xiàn)[18]從信息論的角度進(jìn)行鏈路預(yù)測(cè)應(yīng)用，鏈路預(yù)測(cè)中不同結(jié)構(gòu)特征的貢獻(xiàn)以信息的值的形式度量，并且提出了應(yīng)用多種結(jié)構(gòu)特征的信息論模型?；诖四Ｐ?，該論文提出了NSI（neighbor set information）指標(biāo)，優(yōu)于一些經(jīng)典的鏈路預(yù)測(cè)算法。文獻(xiàn)[19]通過(guò)結(jié)構(gòu)一致性指標(biāo)刻畫(huà)了一個(gè)網(wǎng)絡(luò)的可預(yù)測(cè)性，并基于結(jié)構(gòu)一致性提出了一種新的鏈路預(yù)測(cè)方法，取得了很好的效果。

（3）引入社會(huì)學(xué)/傳播學(xué)等其他學(xué)科知識(shí)提出新算法。

文獻(xiàn)[20]引入了3步之內(nèi)為強(qiáng)關(guān)系，強(qiáng)關(guān)系引發(fā)行為的社會(huì)學(xué)知識(shí)，在考慮2步路徑上的節(jié)點(diǎn)（共同鄰居節(jié)點(diǎn)）對(duì)鏈接產(chǎn)生貢獻(xiàn)的同時(shí)又考慮了3步路徑上的節(jié)點(diǎn)的貢獻(xiàn)，提出了CCN（cohesive common neighbors）相似性指標(biāo)并且取得了較好的預(yù)測(cè)效果。文獻(xiàn)[21]提出了一種假設(shè)，即每個(gè)節(jié)點(diǎn)吸引鏈路的能力不僅依靠其結(jié)構(gòu)重要性，而且依靠其當(dāng)前的流行度（活躍度）。然后，該論文提出了一種稱(chēng)為PBSPM（popularity based structural perturbation method）的新方法。在6個(gè)演化網(wǎng)絡(luò)上的實(shí)驗(yàn)表明提出的方法在精度和魯棒性上優(yōu)于最新的方法。文獻(xiàn)[22]定義了一種稱(chēng)為社團(tuán)相關(guān)性指標(biāo)的社團(tuán)相似性特征，這一特征使用了不同社團(tuán)間的直接信息和潛在信息。然后該論文為了預(yù)測(cè)缺失邊，提出了一種基于社團(tuán)相關(guān)性的新算法。實(shí)驗(yàn)表明提出的方法具有更有效的預(yù)測(cè)精度，社團(tuán)相關(guān)性特征使得預(yù)測(cè)的時(shí)間復(fù)雜度更低。

在上面幾種基于網(wǎng)絡(luò)局部結(jié)構(gòu)進(jìn)行鏈路預(yù)測(cè)的算法中較為常見(jiàn)的是將網(wǎng)絡(luò)局部特性和依據(jù)社會(huì)學(xué)/傳播學(xué)中網(wǎng)絡(luò)節(jié)點(diǎn)信息相結(jié)合，獲得較為合理有效的鏈路預(yù)測(cè)策略，或針對(duì)某一網(wǎng)絡(luò)結(jié)構(gòu)特征構(gòu)建適合該特征的鏈路預(yù)測(cè)算法。上述所提的FR算法基于好友推薦策略，中間人無(wú)差別將自身的好友介紹給目標(biāo)用戶(hù)，該過(guò)程與真實(shí)社交行為并不相符。因此本文利用真實(shí)社交網(wǎng)絡(luò)好友推薦策略，中間人傾向于將自己更熟悉的人介紹給目標(biāo)用戶(hù)，提出了一種節(jié)點(diǎn)相似性度量指標(biāo)。該指標(biāo)結(jié)合局部特征描述并有效區(qū)分了用戶(hù)節(jié)點(diǎn)之間影響力的不同，更適用于PWCS這類(lèi)特定的局部群落結(jié)構(gòu)。依據(jù)該指標(biāo)提出的加權(quán)朋友推薦模型鏈路預(yù)測(cè)算法（link prediction algorithm based on weighted friend recommendation model，WFR）在12個(gè)公用數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明其預(yù)測(cè)效果在AUC和Precision兩個(gè)指標(biāo)上都有較大的優(yōu)勢(shì)，在符合PWCS現(xiàn)象的網(wǎng)絡(luò)中優(yōu)勢(shì)更為顯著。本文最后通過(guò)對(duì)一般的人工數(shù)據(jù)上的實(shí)驗(yàn)，進(jìn)一步討論了WFR算法的適用范圍。

3 算法描述

本文利用兩個(gè)節(jié)點(diǎn)間共同鄰居的數(shù)目來(lái)描述其連邊的強(qiáng)弱。如果兩個(gè)節(jié)點(diǎn)間的共同鄰居數(shù)大于閾值α,則將這兩個(gè)節(jié)點(diǎn)的連邊稱(chēng)為強(qiáng)連接，否則就為弱連接。以圖1中的無(wú)向圖為例，這里選取α=3,圖1①～③中節(jié)點(diǎn)A、B、C組成的連通子圖可以轉(zhuǎn)化為圖1④～⑥簡(jiǎn)單情況。其中，粗線(xiàn)表示強(qiáng)連接邊，細(xì)線(xiàn)表示弱連接邊。

Fig.1 Transformation diagrams of 3 connected subgraphs圖1 3種連通子圖轉(zhuǎn)換圖

圖2為包含3個(gè)節(jié)點(diǎn)的所有區(qū)分強(qiáng)弱連接的7個(gè)連通子圖Ni,i=1,2,…,7（粗線(xiàn)表示強(qiáng)連接，細(xì)線(xiàn)表示弱連接）。P1、P2、P3分別是圖2子圖中有兩條強(qiáng)連接邊；圖2子圖中有一條為強(qiáng)連接邊，另一條為弱連接邊；圖2子圖中有兩條弱連接邊時(shí)，其余邊相連接的概率。如式（1）～式（3）所示：

Fig.2 7 possible connected subgraphs with 3 nodes圖2 包含3個(gè)節(jié)點(diǎn)的7個(gè)可能的連通子圖

其中，P1中N4的系數(shù)為3，表示在兩條強(qiáng)連接邊的情形下，子圖N4上取一條邊為測(cè)試邊的方式有3種。P2分子中N6的系數(shù)為2表示有且只有其中的一條為強(qiáng)連接邊的情形下，子圖N6上取一條邊為測(cè)試邊的方式有兩種。以此類(lèi)推得到式（1）～式（3）。

若P1＞P2且P1＞P3，說(shuō)明網(wǎng)絡(luò)節(jié)點(diǎn)間趨向于更緊密的局部連接，可以認(rèn)為PWCS現(xiàn)象存在于網(wǎng)絡(luò)中。若P1＞P2＞P3，可以認(rèn)為PWCS現(xiàn)象是最明顯的。當(dāng)P1＞P3≥P2時(shí)，PWCS現(xiàn)象不明顯。

基于PWCS現(xiàn)象提出的FR[17]算法通過(guò)式（4）計(jì)算節(jié)點(diǎn)l將自己的鄰居節(jié)點(diǎn)i介紹給另一個(gè)鄰居節(jié)點(diǎn)j的可能性。

式中，l為中介節(jié)點(diǎn)，j為目標(biāo)節(jié)點(diǎn)，i為候選節(jié)點(diǎn)，且j和i均是l的鄰居節(jié)點(diǎn)。其中，k(l)為中介節(jié)點(diǎn)l的度，Γ(l)為節(jié)點(diǎn)l的鄰居節(jié)點(diǎn)集合，|Γ(l)?Γ(j)|表示中介節(jié)點(diǎn)l與目標(biāo)節(jié)點(diǎn)j的共同鄰居節(jié)點(diǎn)數(shù)。分母中的“-1”是因?yàn)橹薪楣?jié)點(diǎn)l不會(huì)推薦目標(biāo)節(jié)點(diǎn)j給j,而“-|Γ(l)?Γ(j)|”表示當(dāng)中介節(jié)點(diǎn)l推薦其相連的候選節(jié)點(diǎn)給目標(biāo)節(jié)點(diǎn)j時(shí)，應(yīng)該排除l和j的共同朋友。

由式（4）可得，分母為通過(guò)中介節(jié)點(diǎn)l推薦給目標(biāo)節(jié)點(diǎn)j的所有候選節(jié)點(diǎn)i的個(gè)數(shù)，即中介節(jié)點(diǎn)l介紹給目標(biāo)節(jié)點(diǎn)j的所有候選節(jié)點(diǎn)i的概率均相等，而實(shí)際情況中不同的候選節(jié)點(diǎn)i和中介節(jié)點(diǎn)l的親疏程度存在著明顯的差異。如圖3所示，按照FR算法，候選節(jié)點(diǎn)1和節(jié)點(diǎn)4通過(guò)中介節(jié)點(diǎn)2推薦給目標(biāo)節(jié)點(diǎn)6的概率是相同的，然而真實(shí)情況中節(jié)點(diǎn)4更容易被節(jié)點(diǎn)2推薦給節(jié)點(diǎn)6，即與中介節(jié)點(diǎn)l越相似的節(jié)點(diǎn)i，越容易被推薦給目標(biāo)節(jié)點(diǎn)j?；谏鲜鲇^(guān)點(diǎn)，本文提出一種基于加權(quán)好友推薦模型的鏈路預(yù)測(cè)算法，利用權(quán)重對(duì)候選節(jié)點(diǎn)和中介節(jié)點(diǎn)間的親疏關(guān)系加以描述區(qū)分，稱(chēng)為 WFR（weighted friend recommendation）算法。設(shè)表示這種親疏關(guān)系：

Fig.3 Asimple network圖3 一個(gè)簡(jiǎn)單網(wǎng)絡(luò)

節(jié)點(diǎn)i和節(jié)點(diǎn)j的相似性可以定義為：

WFR算法

輸入：無(wú)向無(wú)權(quán)網(wǎng)絡(luò)network。

輸出：評(píng)價(jià)指標(biāo)結(jié)果（AUC、Precision）。

開(kāi)始

1.輸入訓(xùn)練數(shù)據(jù)集。

2.統(tǒng)計(jì)被預(yù)測(cè)節(jié)點(diǎn)對(duì)(i,j)的共同鄰居節(jié)點(diǎn)common_nodes。

3.根據(jù)式（6）計(jì)算被預(yù)測(cè)節(jié)點(diǎn)對(duì)(i,j)之間的相似度SWFRij。最后求得相似度矩陣SIM。

4.根據(jù)相似度矩陣SIM和測(cè)試數(shù)據(jù)集計(jì)算評(píng)價(jià)指標(biāo)的結(jié)果。

結(jié)束

4 實(shí)驗(yàn)與結(jié)果

本文使用AUC（area under the receiver operating characteristic curve）[23]和精確度[24]（Precision）來(lái)評(píng)價(jià)算法性能，其中Precision排序列表長(zhǎng)度為100。實(shí)驗(yàn)隨機(jī)將原網(wǎng)絡(luò)劃分為訓(xùn)練集train和測(cè)試集test，其中訓(xùn)練集占90%，測(cè)試集占10%。

4.1 實(shí)驗(yàn)數(shù)據(jù)和對(duì)比算法

4.1.1 實(shí)驗(yàn)數(shù)據(jù)

本文使用Matlab軟件作為實(shí)驗(yàn)平臺(tái)，采用線(xiàn)蟲(chóng)的神經(jīng)網(wǎng)絡(luò)（C.elegans）[25]、爵士音樂(lè)家合作網(wǎng)絡(luò)（Jazz）[26]、美國(guó)航空網(wǎng)絡(luò)（USAir，http：//vlado.fmf.uni-lj.si/pub/networks/data/mix/USAir97.net）、蛋白質(zhì)相互作用網(wǎng)絡(luò)（Yeast）[27]、政治博客網(wǎng)絡(luò)（PB）[28]、Facebook社交網(wǎng)絡(luò)（FB，http：//snap.stanford.edu/data/）、電力網(wǎng)絡(luò)（Power）[25]、路由器網(wǎng)絡(luò)（Router）[29]以及4個(gè)食物鏈網(wǎng)絡(luò)（FWFD、FWEW、FWMW、FWFW）（http：//vlado.fmf.uni-lj.si/pub/networks/data/bio/foodweb/foodweb.htm）。如表1所示，12個(gè)網(wǎng)絡(luò)中，F(xiàn)WFD、FWEW、FWMW、FWFW、C.elegans、PB、Power和Router這8個(gè)網(wǎng)絡(luò)中P1＞P2＞P3（用斜體表示），這些網(wǎng)絡(luò)中PWCS現(xiàn)象更加明顯。

4.1.2 對(duì)比算法

4.2 實(shí)驗(yàn)結(jié)果分析

為了有效驗(yàn)證WFR算法的性能和適用范圍，實(shí)驗(yàn)由如下三部分組成。

（1）相似性指標(biāo)的選取對(duì)算法的影響。

這部分實(shí)驗(yàn)通過(guò)在式（5）中代入多種相似性指標(biāo)，驗(yàn)證WFR算法中加入權(quán)重指標(biāo)的性能。

（2）權(quán)重比例變化對(duì)算法的影響。

考察權(quán)重對(duì)算法的影響，通過(guò)調(diào)節(jié)權(quán)重比例，觀(guān)測(cè)WFR算法在AUC和Precision上的性能。

（3）人工生成的典型網(wǎng)絡(luò)環(huán)境下算法的適用分析。

考察在人工生成的典型網(wǎng)絡(luò)：一般的小世界網(wǎng)絡(luò)和規(guī)則網(wǎng)絡(luò)中，WFR算法的適用情況。

4.2.1 相似性指標(biāo)的選取對(duì)算法的影響

式（5）中分別使用CN、AA、RA來(lái)計(jì)算中介節(jié)點(diǎn)和候選節(jié)點(diǎn)間的親疏關(guān)系性權(quán)重Sil,分別為：

與之相對(duì)應(yīng)的WFR算法分別記為WFR-CN、WFR-AA、WFR-RA，與一般的鏈路預(yù)測(cè)經(jīng)典算法的比較結(jié)果如表2所示。從表2得到，WFR相對(duì)于FR和經(jīng)典算法而言整體性能較好。尤其是在具有顯著PWCS特性的8個(gè)網(wǎng)絡(luò)（相關(guān)數(shù)據(jù)用斜線(xiàn)表示）：FWFD、FWEW、FWMW、FWFW、C.elegans、PB、Power和Router中，無(wú)論權(quán)重Sil如何計(jì)算，WFR算法均具有明顯優(yōu)勢(shì)。其中WFR-CN這一相似性指標(biāo)使用計(jì)算共同鄰居的CN，更符合PWCS結(jié)構(gòu)的定義，效果最優(yōu)。表2中加粗字體表明效果最好。

圖4（a）是對(duì)圖3依據(jù)圖1進(jìn)一步抽象化后得到的簡(jiǎn)單連通子圖。目標(biāo)節(jié)點(diǎn)與中介節(jié)點(diǎn)連接可強(qiáng)可弱，因而圖4（b）給出了另一種情形及其抽象化后的連通子圖。根據(jù)式（1）～（3），圖4（a）中邊（2,4）為強(qiáng)連接，邊（2,6）為弱連接，邊（2,1）為弱連接，邊（4,6）連接的概率為P2,邊（1,6）連接的概率為P3;若要得到候選節(jié)點(diǎn)4與6連接的概率大于候選節(jié)點(diǎn)1與6連接的概率需要滿(mǎn)足條件P2＞P3;同理，圖4（b）中需要滿(mǎn)足條件P1＞P2。顯然WFR通過(guò)加權(quán)進(jìn)一步強(qiáng)化了關(guān)系P1＞P2＞P3,在具有PWCS現(xiàn)象顯著存在的網(wǎng)絡(luò)中WFR可以得到較好的結(jié)果。

4.2.2 權(quán)重比例變化對(duì)算法的影響

為了進(jìn)一步考察權(quán)重對(duì)預(yù)測(cè)效果的影響，式（6）進(jìn)一步被改寫(xiě)為式（16）的形式，記為GWFR（generalized weighted friend recommendation）指標(biāo)。

Table 2 Results ofAUC and Precision on 12 real-networks表2 12個(gè)真實(shí)網(wǎng)絡(luò)上AUC、Precision的結(jié)果

圖5給出了12種不同網(wǎng)絡(luò)中隨著α取值的不同，式（16）中GWFR相似性指標(biāo)(Sil,Sjl)分別取CN、AA、RA時(shí)（分別表示為GWFR-CN、GWFR-AA、GWFRRA），與GFR指標(biāo)在Precision上的比較結(jié)果。圖5給出了P1、P2、P3取值的柱狀圖，由圖5可以得到在符合P1＞P2＞P3的顯著PWCS現(xiàn)象的網(wǎng)絡(luò)中，不論α的取值如何，3種加權(quán)的GWFR算法效果都明顯好于GFR算法。當(dāng)α=1時(shí)，GWFR即為WFR，GFR即為FR。

Fig.4 Analysis of effect of WFR algorithm on PWCS phenomenon圖4 WFR算法對(duì)PWCS現(xiàn)象的影響分析

4.2.3 人工生成的典型網(wǎng)絡(luò)環(huán)境下算法的效果

真實(shí)網(wǎng)絡(luò)中的一些特征很難發(fā)現(xiàn)，提供一個(gè)適合所有網(wǎng)絡(luò)的鏈路預(yù)測(cè)算法是非常困難的。本文考慮了兩種典型網(wǎng)絡(luò)生成模型——小世界網(wǎng)絡(luò)和規(guī)則網(wǎng)絡(luò)，對(duì)WFR算法的普適性進(jìn)行考察。本文使用NW（Newman-Watts）小世界構(gòu)造算法設(shè)置不同的參數(shù)生成了10個(gè)小世界網(wǎng)絡(luò)，參數(shù)K的功能是調(diào)節(jié)網(wǎng)絡(luò)的平均度，參數(shù)p的功能是調(diào)節(jié)網(wǎng)絡(luò)的平均聚類(lèi)系數(shù)，其特征信息如表3所示，本文設(shè)置網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)N=1 000,其中每個(gè)節(jié)點(diǎn)都與它左右相鄰的各K/2個(gè)節(jié)點(diǎn)相連，K是偶數(shù)。相應(yīng)的AUC和Precision的結(jié)果如圖6所示。

本文同樣使用相應(yīng)的規(guī)則網(wǎng)絡(luò)構(gòu)造算法生成了10個(gè)規(guī)則網(wǎng)絡(luò)即最近鄰耦合網(wǎng)絡(luò)。其中每個(gè)節(jié)點(diǎn)都與它左右各K/2個(gè)鄰居點(diǎn)相連，這里K是一個(gè)偶數(shù)。本文設(shè)置K值分別為2，4，…，20，網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)N=1 000,網(wǎng)絡(luò)的特征信息如表4所示，從net1到net10，網(wǎng)絡(luò)由稀疏到稠密。相應(yīng)的AUC和Precision的結(jié)果如圖7所示。

Table 4 ParameterKand features of 10 regular networks表4 參數(shù)K和10個(gè)規(guī)則網(wǎng)絡(luò)的特征

Fig.5 Relationship between Precision andα圖5 Precision與參數(shù)α之間的關(guān)系

從圖6、圖7中可以看出，總體而言，無(wú)論在小世界網(wǎng)絡(luò)還是規(guī)則網(wǎng)絡(luò)中，本文提出的WFR算法與FR算法相比在網(wǎng)絡(luò)更為稠密的情況下，WFR算法效果要明顯優(yōu)于FR算法。而相對(duì)稠密的網(wǎng)絡(luò)具有局部群落特點(diǎn)的PWCS現(xiàn)象也更為明顯，因而WFR算法優(yōu)于FR算法。

4.3 算法時(shí)間復(fù)雜度分析

在基于共同鄰居的鏈路預(yù)測(cè)算法中，計(jì)算節(jié)點(diǎn)對(duì)的共同鄰居的時(shí)間復(fù)雜度為,表示網(wǎng)絡(luò)的平均度。AA、RA兩種算法與CN算法有著相同的計(jì)算過(guò)程，因此與CN算法的時(shí)間復(fù)雜度相同。FR、WFR算法預(yù)測(cè)過(guò)程與基于共同鄰居的其他算法的預(yù)測(cè)過(guò)程相同，即與CN、AA、RA算法的預(yù)測(cè)結(jié)果相同。如CN算法的時(shí)間復(fù)雜度為O(n2×k)。因此WFR-CN算法的時(shí)間復(fù)雜度為O(n2×k),保證了該算法的時(shí)間復(fù)雜度不大的情況下，取得了比CN、AA、RA、FR算法更優(yōu)的預(yù)測(cè)效果。

5 結(jié)束語(yǔ)

WFR算法是一種基于加權(quán)朋友推薦的鏈路預(yù)測(cè)算法，該算法利用社交網(wǎng)絡(luò)好友推薦策略，中介人傾向于將自己更熟悉的人介紹給目標(biāo)用戶(hù)的特點(diǎn)，結(jié)合局部特征構(gòu)建節(jié)點(diǎn)相似性度量指標(biāo)。WFR有效區(qū)分了用戶(hù)節(jié)點(diǎn)之間影響力的不同，更適用于具有局部群落結(jié)構(gòu)現(xiàn)象（PWCS）特征的網(wǎng)絡(luò)環(huán)境。與CN、AA、RA、FR這些基于共同鄰居的鏈路預(yù)測(cè)算法相比，WFR算法在保證時(shí)間復(fù)雜度大致相同的情況下，整體上取得了較好的預(yù)測(cè)效果。本文研究的鏈路預(yù)測(cè)算法主要考慮共同鄰居節(jié)點(diǎn)和局部結(jié)構(gòu)特征，對(duì)網(wǎng)絡(luò)的描述刻畫(huà)仍不夠全面。下一步的研究工作主要有兩方面：一是如何利用更多的網(wǎng)絡(luò)結(jié)構(gòu)信息來(lái)提高鏈路預(yù)測(cè)的效果；二是如何針對(duì)具有不同特征的網(wǎng)絡(luò)結(jié)構(gòu)提出合適的高效鏈路預(yù)測(cè)算法。

Fig.6 AUC and Precision of FR and WFR-CN in NW small world networks圖6 小世界網(wǎng)絡(luò)中AUC、Precision下的FR、WFR-CN指標(biāo)

Fig.7 AUC and Precision of FR and WFR-CN in regular networks圖7 規(guī)則網(wǎng)絡(luò)中AUC、Precision下的FR、WFR-CN指標(biāo)