使用基于时间的关系加权标准来改善社交网络中的链接预测

使用基于时间的关系加权标准来改善社交网络中的链接预测

关键词：链接预测，社交网络，加权图。

 

摘要：近年来，对复杂网络中链路预测（LP）问题的研究引起了相当多的关注。此问题试图预测网络中两个未互连节点之间出现未来关联的可能性。已经开发了各种方法来解决这个问题。其中一些计算连接节点之间的兼容性程度（链接强度），并应用非连接节点之间的相似性度量以识别潜在链接。然而，尽管时间数据对LP问题的重要性得到公认，但很少有举措研究使用这种信息来表示链接强度。在本文中，我们提出了一个权重标准，它将交互频率和关于它们的时间信息结合起来，以便定义连接节点对之间的链接强度。我们在10个共同作者网络中使用传统加权相似性度量的实验结果证实了我们的假设，即基于时间信息的加权链接事实上可以改进链接预测。拟议的标准制定，实验程序和所进行的实验结果进行了详细讨论。

1. 引言

近年来，社会网络分析受到了科学界和工业界的高度关注（Wang et al。，2015）。 它试图了解大规模社交网络的结构如何演变。 例如，预测未来一对节点是否会连接是一个重要的网络分析任务，称为链路预测（LP）问题（Liben-Nowell和Kleinberg，2007）。 已经开发了各种方法来预测社会网络中的链接（Adamic和Adar，2003）（Barabasi等，2001）（Choudhary等，2013），（Liben-Nowell和Kleinberg，2007）（Munasinghe和Ichise，2012年 ），（Valverde-Rebaza等，2015），（Lu¨和Zhou，2010），（Murata和Moriyasu，2007），（Soares和Prudencio，2011），（Zhu and Xia，2016）。 根据（王等人，2015），这些方法分为两种方法：

（1）监督 - 这种方法将原始图转换为二元分类问题，并使用决策树和神经网络等学习算法来构建分类模型（Hasan等，2006）。

（2）无监督 - 来自这种方法的方法基于相似性度量，该度量计算分数以表达在非连接节点对之间的某种兼容性程度（例如，同源性，关系，分离程度等）。然后获得一个按照得分降序排列的列表，并且来自列表顶部的对的节点更可能连接（Liben-Nowell和Kleinberg，2007）。公共的邻居（CN）和Adamic-Adar索引（AA）的数量是在计分计算中经常使用的基于拓扑的相似性度量的典型示例（Wang et al。，2015）。

节点连接时也可以考虑兼容程度。在这种情况下，它被称为节点之间的链接强度，并由分配给表示相应连接的边的数字权重组成。链路强度值越高（低或越低），表示节点强烈（或弱）链接。从无监督方法到LP问题的大多数举措都没有考虑到链接强度。然而，这些信息可能被用来为链接预测提供有用的见解。例如，与其共同邻居强联系的两个非联结节点比联结其共同邻居的联结更可能连接。

很少有关于LP问题的无监督方法的研究评估了连接节点之间链接强度的使用（Murata and Moriyasu，2007），（Lu¨和Zhou，2010）（Soares和Prudencio，2011）（Zhao et al。， （Taha，2007），（Zhu and Xia，2016），（Dunlavy et al。，2011）。他们采用了一些加权标准来计算链接强度3。在几乎所有这些标准中，所采用的权重标准是节点（Fi）（村田和Moriyasu，2007），（Lu和Zhou，2010），（Soares和Prudencio，2011），夏，2016）。基于Fi，频繁交互的节点之间的链接强度高于偶尔连接的链接强度。虽然有趣，但这个标准并没有考虑到互动发生的时间。因此，新旧交互在体重定义上具有相同的影响力。这一特征并不能满足弱关系的社会理论（Granovetter，1973）。根据这种理论，最近的相互作用倾向于刺激网络中新的相互作用的发生。因此，最近的连接应该在链路强度计算中有更高的影响，并因此在链路预测中有更大的影响。

我们的假设是基于交互频率和时间信息的组合加权链接可以改善链接预测。 为了说明这一点，在本文中，我们提出了一个权重标准（称为FTi