【摘要】:不同的网络结构造成了各个链路预测算法表现不一,目前尚缺少对算法性能和网络结构特征之间联系的深入研究,更多的还停留在推测猜想阶段。值得注意的是,由于已知道某种算法预测效果不错,要使该算法的权重最大,主辅有序,不至于出现较大的误差。类似于CAR指数,这种组合预测思想主要是通过网络局部节点信息,加上路径的相关信息等综合预测,来提高实际运用链路预测的效果。
由前文可以看出,无论是基于局部节点信息还是基于路径的相似性链路预测方法,还是概率模型、最大似然估计等方法,都是通过对现有数据进行刻画,越是能较好地拟合网络形态特征,预测精度就越高。不同的网络结构造成了各个链路预测算法表现不一,目前尚缺少对算法性能和网络结构特征之间联系的深入研究,更多的还停留在推测猜想阶段。抛开算法的计算复杂度不谈,过于复杂的算法耗时耗力,不适合在实际中使用,更不适合用于大规模的网络。因此,我们从实际需要出发,认为若一个算法已经对某个网络具有较好的预测精度,那么在其基础之上结合其他几个简单的算法,通过赋予不同的权重,就能获得更高的预测效果,而且计算复杂度增加得并不多。
即Sxy总=αSxy1+βSxy2+λSxy3,其中Sxy1,Sxy2,Sxy3代表着不同的链路预测算法,α,β,λ分别代表着几种算法的调节参数,通过几种算法的结合,在保证较小的计算复杂度的情况下,尽可能提升预测精度。值得注意的是,由于已知道某种算法预测效果不错,要使该算法的权重最大,主辅有序,不至于出现较大的误差。类似于CAR指数,这种组合预测思想主要是通过网络局部节点信息,加上路径的相关信息等综合预测,来提高实际运用链路预测的效果。当然,我们甚至可以结合部分节点属性信息,更加准确地挖掘节点间的关系,这样才能在实际运用中取得最佳的效果。(www.xing528.com)
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。