Statistical similarity measures for link prediction inheterogeneous complex networks

Statistical similarity measures for link prediction inheterogeneous complex networks-异构复杂网络中链路预测的统计相似性度量

1,主要思想

该方法的主要思想是在服从元路径的访问节点之间的多个同现矩阵中驱动一些同现事件。对提取的共现矩阵进行能量、惯性、局部同质性、相关性和相关性的信息测度等方面的分析，确定各种信息理论测度。

2,提出背景

当生成/选择一组重要的元路径时，需要使用特定的算法或相似度度量来度量目标对的相似度，方法是使用每一条元路径或它们的贡献，作者认为，近年来，许多基于元路径的相似性度量方法被提出用于依赖节点连接度的链路预测任务。它们背后的基本思想是为计算目标节点对之间的路径实例数提供一种不同的解释。在这方面,缺少元路径携带的语义信息

3,创新点

1,是通过探索节点之间的路径而不是依赖于现有路径的数量，通过共现分析来度量信息的数量

2,通过将邻域连通性信息捕获为目标节点对之间的共生矩阵，即使在直接连通性信息可用性较低的情况下，也能获得更准确、更有意义的预测

4,主要方法

分三步说明物种共生理论和物种间关联理论如何应用于异构复杂网络中执行链接预测任务。
1，定义若干组节点作为网络中相互作用的物种的不同组。
2，然后，对每个集合导出一个同现矩阵。
3，最后，利用同现矩阵计算相似性度量。

①定义物种的集合
P&