基于相似性指标的链路预测优化方法

根据链路预测评价指标，经计算，“一带一路”沿线国家和机场基于相似性指标链路预测结果如下表9-2-2和表9-2-3所示：

表9-2-2　沿线国家基于相似性指标链路预测结果

表9-2-3　沿线机场基于相似性指标链路预测结果

(www.xing528.com)

AUC的值越高表示越好的预测效果。当AUC的值小于0.5时，模型预测效果极差，都不如随机预测效果好。值介于0.5到0.7之间，表示模型预测效果较好；介于0.7到0.9之间，表示模型预测效果很好；值高于0.9，表示模型预测效果非常好。从上述表9-2-2和表9-2-3来看，相似性指标在“一带一路”沿线国家和机场中的预测效果都比较好，AUC值普遍高于0.7，甚至可以达到0.9以上。

从表9-2-2可以看出，在“一带一路”沿线国家航空网络中，使用LRW相似性指标预测结果最高；预测结果最低的是CN指标。表格后半部分的相似性指标预测结果要高于前半部分也就是基于共同邻居信息的几个指标，即重点关注公共邻居节点度的指标预测效果不如关注全局网络路径的预测效果。

从表9-2-3可以看出，在“一带一路”沿线机场航空网络中，使用RWR和Katz相似性指标预测结果最高；CN指标预测结果最低。同样的，表格后半部分的相似性指标预测效果要高于前半部分也就是基于共同邻居信息的几个指标，也就是重点关注公共邻居节点度的指标预测效果不如关注全局网络路径的预测效果。

从整体上看，基于相似性链路预测方法对“一带一路”沿线机场航空网络的预测精确度要稍微高于“一带一路”沿线国家航空网络。使用传统的基于相似性链路预测方法，对于样本规模越多、网络层面越小的网络预测正确度越高。基于全局信息的链路预测精确度要高于其他五个链路预测算法，基于局部信息的链路预测精确度普遍比基于局域信息和全局信息的方法低。在基于共同邻居的CN、AA、RA相似性指标链路预测中，考虑了共同邻居度值的AA和RA指标预测精确度更高，且RA相较于AA精确度更高。