Predictability of missing links in complex networks
预测真实网络中的缺失链路是网络科学中的一个重要问题，人们在这方面做了大量的工作，因此在文献中出现了大量的链路预测方法。在这项工作中，我们采取了不同的观点对这个问题，并研究的理论局限性的可预测性的缺失环节。特别是，我们假设有一个不可约的不确定性，在真实网络的链接预测作为其形成过程的随机性的结果。通过考虑由著名的网络模型定义的合奏，我们证明了分析，即使是最好的可能的链接预测方法的合奏，给出的合奏连接概率的排名，产生有限的精度。这一结果表明，在实际复杂网络中，链接的可预测性在理论上是有限的。最后，我们表明，连接概率推断拟合网络模型真实的网络允许估计一个上限的可预测性丢失的链接，我们进一步提出了一种方法来近似这样的界限从不完整的实例真实世界的网络。
2019-01-31 cond-mat.stat-mech cs.SI physics.soc-ph
Predicting link directions via a recursive subgraph-based ranking
链接方向对网络的功能至关重要，它们的预测有助于从不完整的真实世界数据中更好地了解有向网络。研究了利用剩余环的存在性和方向来预测剩余环的方向的问题。我们提出了一个解决方案，首先排名节点在一个特定的顺序，然后预测每个链接从一个排名较低的节点向一个排名较高的。所提出的排名方法递归地工作，通过利用多个尺度上的本地指标，每个指标对应于从原始网络中提取的子图。在真实网络上的实验表明，我们的方法可以正确地恢复相当一部分链接的方向，这优于纯粹的本地或全球的方法。
2012-06-28 cs.SI physics.soc-ph
Overlapping Communities and the Prediction of Missing Links in Multiplex Networks
多路复用网络是将现实世界的复杂系统表示为通过不同类型的连接（即层）连接的一组实体（即节点）。这些网络中观察到的连接可能并不完整，链接预测任务是跨层定位丢失的链接。在这里，主要的挑战是从不同的层收集相关的证据，以帮助链接预测任务。众所周知，社区中的共同成员资格增加了节点之间连接的可能性。我们讨论的共同成员在社区的相似层增加了连接的机会。如果这些层显示出显著的层间群落重叠，则它们被认为是相似的。此外，我们发现，虽然链接的存在是相关的层，但这种相关性的程度是不一样的不同社区。我们建议，ML-BNMTF，作为一种链路预测方法在复用网络中，设计基于这些发现。ML-BNMTF优于基线方法，特别是当全球链路重叠低。
2020-05-15 cs.SI physics.soc-ph
Mapping flows on sparse networks with missing links
不可靠的网络数据可能会导致社区检测方法过度拟合，并突出虚假的结构，误导有关复杂系统的组织和功能的信息。在这里，我们将展示如何使用映射方程在具有缺失链接的稀疏网络中检测重要的基于流的社区。由于映射方程建立在香农熵估计的基础上，它假设完整的数据，因此分析欠采样网络可能会导致过度拟合。为了克服这个问题，我们将贝叶斯方法与网络的不确定性的假设到地图方程框架。在合成和现实世界的网络中的结果表明，贝叶斯估计的地图方程提供了一个原则性的方法来揭示欠采样网络中的重要结构。
2020-07-07 physics.data-an physics.soc-ph
Link prediction with hyperbolic geometry
链路预测是网络科学中的一个典型问题，具有广泛的应用。在潜在空间网络模型中，这个问题归结为按照节点之间潜在距离的增加顺序对节点对进行排序。具有双曲潜在空间的网络模型具有许多吸引人的性质，这表明它必须是预测链接的强大工具，但过去在这个方向上的工作报告了混合的结果。在这里，我们进行系统的调查潜在的双曲几何链接预测网络中的效用。我们首先表明，一些措施的链接预测精度是非常敏感的不准确性，在推理的潜在的双曲线坐标的节点，所以我们开发了一种新的坐标推理方法，最大限度地提高这种推理的准确性。将这种方法应用于合成和真实网络，我们发现，虽然存在许多有竞争力的方法来预测明显的易于预测的链接，其中双曲线链接预测很少是最好的，但往往是有竞争力的，当任务是预测不太明显的缺失链接时，它是最好的，通常是到目前为止，真的很难预测。这些链接包括不完整网络中的缺失链接，缺失链接的比例很大，节点之间没有任何共同的邻居，以及在大潜在距离的不同节点之间的缺失链接。总的来说，这些结果表明，一个特定的链接预测任务越难，就越应该认真考虑使用双曲几何。
2020-11-02 cs.SI physics.soc-ph
Missing Link Identifcation Using SIS Epidemic Traces
网络上SIS流行病的研究强调了网络拓扑结构在传播过程中的作用。然而，SIS流行病的准确模型依赖于网络拓扑结构的完整知识，这通常是不可用的。本文解决了从观察到的感染时间痕迹推断网络拓扑结构的问题，特别是在网络拓扑结构是部分已知或已知的一些不确定性。我们提出了一种贝叶斯方法来推断网络中不确定链接的后验概率，并推导出这些概率的封闭形式方程。我们还提出了一个数值方法的基础上吉布斯采样时，不确定的链接数量很大，使用封闭形式的方程变得不切实际。数值结果表明，所提出的方法分配高概率的现有的链接和低概率的网络不存在的链接时，SIS痕迹是足够长的能力。
2017-07-21 physics.data-an physics.soc-ph
Jointly Predicting Links and Inferring Attributes using a Social-Attribute Network (SAN)
社会影响和同质性的影响表明，网络结构和节点属性信息都应该通知链接预测和节点属性推理的任务。最近，Yin等人提出了一种属性增强的社会网络，即社会属性网络（SAN），它将网络结构和节点属性相结合，以执行链接预测和属性推理。他们专注于将带重启的随机游走算法推广到SAN框架，并展示了改进的性能。在本文中，我们扩展了SAN框架与几个领先的监督和无监督的链接预测算法，并证明了性能的改善，每个算法的链接预测和属性推理。此外，我们提出了新的观察，即属性推断可以帮助通知链接预测，即，通过首先推断丢失的属性，进一步提高了链接预测的准确性。我们全面评估这些算法，并使用一个新的，大规模的Google+数据集，我们公开提供与其他现有的算法进行比较。
2012-06-22 cs.SI physics.soc-ph
Link Prediction in Real-World Multiplex Networks via Layer Reconstruction Method
链路预测问题的大量研究致力于寻找单层（单纯形）网络中的丢失链路。所提出的链接预测方法根据观察到的网络结构计算未连接节点对之间的相似性度量。然而，将相似性概念扩展到多重网络是一个双重挑战。现实世界的多路复用网络的层不具有相同的组织，但也不是完全不同的组织。因此，应该确定多路复用网络的层有多相似。另一方面，需要知道相似层如何在具有缺失链路的目标层上的链路预测任务中做出贡献。特征向量能够很好地反映网络的结构特征。因此，多路复用网络的两个层是相似的。结构特征，如果它们共享相似的特征向量。实验表明，现实世界的多路复用网络的层是类似的w.r.t.结构特征和相似性的价值远远超出了它们的随机同行。此外，它表明，丢失的链接是高度可预测的，如果他们的添加或删除不显着改变网络的结构特征。否则，如果变化很大，结构特征的类似副本可能会有所帮助。基于这一概念，层重建方法（LRM）找到最好的重建所观察到的结构的目标层与其他类似层的结构特征。在不同学科的实际复用网络上的实验表明，该方法充分利用了网络中的信息冗余，即使在高丢失率的情况下，链路预测的性能也能保持鲁棒性。
2019-06-22 cs.SI physics.data-an physics.soc-ph
Predicting Social Links for New Users across Aligned Heterogeneous Social Networks
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
在线社交网络近年来取得了巨大的成功，其中许多涉及多种节点和复杂的关系。在这些关系中，用户之间的社会联系非常重要。许多现有的链接预测方法集中于基于社交网络的快照来预测将来将在所有用户之间出现的社交链接。在现实世界的社交网络中，每天都有许多新用户加入该服务。预测新用户的链接更重要。与传统的链接预测问题不同，由于以下原因，针对新用户的链接预测更具挑战性：（1）新用户和现有活动用户之间的信息分布差异（即，老用户）;（2）缺乏来自网络中的新用户的信息。提出了一种链接预测方法SCAN-PS（Supervised Cross Aligned Networks链接预测with Personalized Sampling），用于解决新用户的链接预测问题。为了在网络内知识转移之前适应信息分布的差异，提出了一种目标网络内个性化抽样方法，对已有的活跃用户信息进行处理。SCAN-PS还可以利用其他源网络中的信息，其中用户帐户与目标网络一致。这样，SCAN-PS就可以解决目标网络中完全没有这些新用户信息时的冷启动问题。
2013-10-13 cs.LG cs.SI physics.soc-ph
Predicting interactions between individuals with structural and dynamical information
捕获交互的结构和时间方面对于许多真实世界的数据集（如个人之间的联系）至关重要。使用链接流的形式主义，以捕捉系统的动态，我们解决了链接流中的活动预测的问题，也就是说，预测在给定的时间段内发生的链接的数量，我们提出了一个协议，利用包含在链接流的时间和结构信息。使用监督学习方法，我们能够对系统的动态进行建模以提高预测。我们研究了我们的算法的行为和影响预测的关键因素。通过引入不同类别的节点对，我们能够提高质量，并增加我们的预测的多样性。
2018-04-12 cs.SI physics.soc-ph
Predicting Anchor Links between Heterogeneous Social Networks
人们通常参与多个社交网络以享受新的服务或满足他们的需求。许多新的社交网络试图吸引其他现有网络的用户以增加其用户数量。一旦社交网络（称为源网络）的用户（称为源用户）加入新的社交网络（称为目标网络），则在源网络和目标网络之间形成新的网络间链接（称为锚链接）。在本文中，我们集中在预测异质社交网络之间的锚链接的形成。与预测单个网络内两个现有用户之间的链路的形成的传统链接预测问题不同，在锚链接预测中，目标用户缺失，并且一旦创建锚链路，则目标用户将被添加到目标网络。为了解决这个问题，我们使用元路径作为一个强大的工具，利用源和目标网络中的异构信息。为此，我们提出了一个有效的通用元路径为基础的方法称为连接器和递归元路径（CRMP）。通过使用这两种不同类别的元路径，我们对可能影响源用户加入目标网络的社会因素的不同方面进行建模，从而形成新的锚链接。在现实世界的异构社交网络上进行的大量实验证明了该方法的有效性。
2016-08-01 cs.SI physics.soc-ph
Predicting links in ego-networks using temporal information
链接预测是网络科学的一个核心问题，因为它需要揭示控制网络微观动力学的机制。在这项工作中，我们感兴趣的自我网络，这是一个节点的相互作用，它的邻居，在社会关系的背景下，纯粹的信息。由于结构信息非常贫乏，我们依赖另一个信息来源来预测自我邻居之间的联系：相互作用的时间。我们定义了几个特征来捕捉不同种类的时间信息，并应用机器学习方法来组合这些不同的特征，提高预测的质量。我们展示了这种时间方法在手机交互数据集上的效率，指出了在这种情况下证明自己表现良好的功能，特别是交互的时间分布和接触之间的时间。
2015-12-15 cs.SI physics.soc-ph
Tensorial and bipartite block models for link prediction in layered networks and temporal networks
现实世界中的许多复杂系统都可以很好地表示为多层网络，预测这些系统中的相互作用是预测网络科学中最紧迫的问题之一。为了解决这一挑战，我们引入了两个随机块模型的多层和时间网络，其中一个使用节点作为其基本单元，而另一个侧重于链接。我们还开发了可扩展的算法来推断这些模型的参数。由于我们的模型同时描述了所有层，因此我们的方法在对任何特定层进行预测时都充分利用了整个网络中包含的信息。我们通过分析两个经验数据集来说明我们的方法的潜力-电子邮件通信的时间网络和治疗不同癌症类型的药物相互作用网络。我们发现，同时对所有层进行建模确实会导致更准确的链接预测。然而，最具预测性的模型取决于所考虑的数据集;而基于节点的模型更适合预测药物相互作用，基于链接的模型更适合预测电子邮件通信。
2018-03-05 cs.SI physics.data-an physics.soc-ph
A novel similarity measure for mining missing links in long-path networks
网络信息挖掘是对网络拓扑结构的研究，它回答了大量基于应用的问题，涉及到一个真实系统的结构演化和功能。例如，这些问题可以与真实系统如何进化或个人如何在社交网络中相互作用有关。虽然真实系统的演化似乎是有规律的，但捕获整个演化过程中的模式并不是微不足道的。链接预测是网络信息挖掘的重要技术之一，它可以帮助我们了解真实系统的演化规律。链接预测的目的是发现缺失的链接或量化已知网络结构中不存在的链接出现的可能性。目前，广泛存在的链路预测方法几乎都集中在短路径网络，通常有无数的紧密的三角形结构。然而，这些算法在高度稀疏或长路径网络上的性能较差。在这里，我们提出了一个新的指标，是与结构等价和最短路径长度（$SESPL$）的原则，以估计在长路径网络中的链路存在的可能性。通过对548个真实网络的测试，我们发现$SESPL$在长路径网络中比其他基于相似性的预测器更有效。我们还利用$SESPL$预测器和嵌入式方法的性能，通过机器学习技术，和$SESPL$的性能可以达到44.09\%，超过$GraphWave$和$Node2vec$ 7.93\%。最后，根据所有相似性预测器之间的最大信息系数矩阵（$MIC$），$SESPL$是一个新的独立于传统相似性特征空间的特征。
2021-10-11 physics.data-an physics.soc-ph
Missing links prediction: comparing machine learning with physics-rooted approaches
IMT School for Advanced Studies（IMT高等研究院）；Department of Physics and INFN, ‘Tor Vergata’ University of Rome（罗马托尔维加塔大学物理系及意大利国家核物理研究所）；Scuola Normale Superiore（比萨高等师范学院）；INdAM-GNAMPA Istituto Nazionale di Alta Matematica ‘Francesco Severi’（弗朗切斯科·塞韦里国家高等数学研究所）
本文比较了基于统计物理和机器学习的链接预测方法，发现前者在准确性上不逊于后者，并且计算更高效且更易解释。
2026-08-04 physics.app-ph physics.data-an physics.soc-ph
Supervised Random Walks: Predicting and Recommending Links in Social Networks
Facebook（脸书）；Stanford University（斯坦福大学）
预测链接的出现是网络中的一个基本问题。在链接预测问题中，我们得到一个网络的快照，并希望推断现有成员之间的哪些交互可能在不久的将来发生，或者我们遗漏了哪些现有交互。虽然这个问题已经得到了广泛的研究，如何有效地结合丰富的节点和边缘属性数据的网络结构的信息的挑战仍然很大程度上开放。我们开发了一种基于监督随机游走的算法，该算法自然地将网络结构的信息与节点和边缘级别的属性相结合。我们通过使用这些属性来引导图上的随机行走来实现这一点。我们制定了一个监督学习任务，其目标是学习一个函数，该函数为网络中的边分配强度，使得随机步行者更有可能访问将来将创建新链接的节点。我们开发了一种有效的训练算法，直接学习边缘强度估计函数。我们在Facebook社交图和大型协作网络上的实验表明，我们的方法优于最先进的无监督方法以及基于特征提取的方法。
2010-11-17 cs.AI cs.DS cs.SI
Link-Prediction Enhanced Consensus Clustering for Complex Networks
许多从数据中推断或收集的真实网络由于缺少边而不完整。缺失的边可能是数据集固有的（Facebook好友链接永远不会完整），也可能是采样的结果（人们可能只能访问一部分数据）。结果是，消耗网络的下游分析通常会产生比边完整时更不准确的结果。特别是社区发现算法，经常会在关键的社区内边缘丢失时受到影响。我们提出了一种新的共识聚类算法，以提高不完全网络上的社区发现。我们的框架利用现有的社区发现算法，我们的链接预测为基础的算法处理网络。然后，该框架将其多个输出合并为最终的共识输出。平均而言，我们的方法在人工数据上将现有算法的性能提高了7%，在从Facebook收集的自我网络上提高了17%。
2015-06-04 cs.SI physics.soc-ph
Cliques in complex networks reveal link formation and community evolution
无向无权网络中的丢失链接预测是一个开放的、具有挑战性的问题，近年来得到了广泛的研究。本文研究了社区结构与链接形成之间的关系，提出了一种快速阻塞概率模型（FBM）。在四个真实网络上的实验结果表明，该方法具有很好的丢失链接预测精度，并且与传统方法相比，计算效率有了很大的提高。通过分析链接的形成机制，我们还发现，集团结构起着重要的作用，以帮助我们了解如何在社区中的链接增长。因此，我们总结了三个原则，这三个原则被证明能够很好地解释链接形成和网络演化的机理。
2013-03-06 cs.SI physics.soc-ph
Structural Analysis of Criminal Network and Predicting Hidden Links using Machine Learning
由于这一专题的性质，分析犯罪网络本身就很困难。犯罪网络是隐蔽的，大多数信息是不公开的。这导致可用于分析的小数据集。现有的犯罪网络数据集由相互关联的实体，即个人或组织组成。实体之间的联系表明，这些实体之间存在联系，例如参与同一犯罪活动、有商业联系和/或加入同一犯罪组织。由于犯罪活动的隐蔽性，各实体之间可能有许多隐藏的联系，这使得公开的犯罪网络不完整。披露隐藏的链接会带来新的信息，例如嫌疑人与犯罪组织的联系，这可能是公共信息所不知道的。如果我们可以对更大的数据集进行分析，并使用链接预测来揭示隐含的联系，我们将能够发现什么？我们计划通过使用比大多数犯罪网络分析中使用的数据多一个数量级的数据集来回答这个问题。通过使用机器学习技术，我们将链接预测问题转化为二进制分类问题。我们计划揭示隐藏的链接和潜在隐藏的犯罪网络的关键属性。有了对网络的更完整的了解，我们可以利用这些数据来挫败犯罪组织和/或采取帕累托方法来瞄准关键节点。最后，我们的分析与有效的破坏战略，以削弱犯罪网络，并证明了在攻击犯罪网络时，揭示隐藏的链接的有效性。
2015-09-21 cs.SI physics.soc-ph
Predicting Positive and Negative Links in Online Social Networks
Stanford University（斯坦福大学）；Cornell University（康奈尔大学）
我们研究在线社交网络，其中的关系可以是积极的（表示友谊等关系）或消极的（表示对立或对抗等关系）。这种积极和消极链接的混合出现在各种在线设置中;我们研究了Epperly，Slashdot和维基百科的数据集。我们发现，潜在的社交网络中的链接的迹象可以被预测的精度很高，使用模型，概括在这个不同的网站范围。这些模型提供了一些基本原则的见解，这些原则推动了网络中签名链接的形成，阐明了社会心理学中的平衡和状态理论;他们还提出了社交计算应用程序，通过这些应用程序，可以根据用户与周围社交网络其他成员的关系提供的证据来估计一个用户对另一个用户的态度。
2010-03-11 cs.AI cs.CY physics.soc-ph
Hierarchical structure and the prediction of missing links in networks
近年来，网络已成为描述和量化许多科学分支中复杂系统的宝贵工具。最近的研究表明，网络通常表现出层次结构，其中顶点划分为组，进一步细分为组的组，等等。在许多情况下，这些群体被发现与已知的功能单位相对应，如食物网中的生态位、生化网络中的模块（蛋白质相互作用网络、代谢网络或遗传调控网络）或社交网络中的社区。在这里，我们提出了一个一般的技术，从网络数据推断层次结构，并证明层次结构的存在可以同时解释和定量再现许多常见的网络拓扑性质，如右偏度分布，高聚类系数，短路径长度。我们进一步表明，知识的层次结构可以用来预测丢失的连接部分已知的网络具有高精度，更一般的网络结构比竞争技术。总之，我们的研究结果表明，层次结构是复杂网络的中心组织原则，能够提供洞察许多网络现象。
2008-11-04 physics.soc-ph q-bio.MN stat.ML
Predicting the evolution of complex networks via local information
几乎所有现实世界的网络都在不断演化，大量不断演化的网络已经被研究，以揭示其内在机制，从而更深入地理解它们的组织和发展。与演化机制探索的实证研究迅速展开相比，与演化机制相对应的未来链接预测方法却相对匮乏。现实世界的信息总是包含着下一步会发生什么的暗示，在观察到的进化网络中也是如此。在本文中，我们首先提出了一个结构依赖的索引，以加强链接预测方法的鲁棒性。然后，我们把观察到的链接和他们的时间戳在不断发展的网络作为已知的信息。我们将进化网络视为动态系统，并对节点相似性的进化动态进行建模。通过迭代更新节点的网络位置，揭示了网络演化的潜在趋势，提高了未来链路预测的准确性。实验结果表明，该索引在实际网络中的性能优于基线方法，时空位置漂移模型在实际网络中的性能也较好。
2016-04-08 cs.SI physics.soc-ph
Homophily and missing links in citation networks
引文网络已被广泛用于研究科学的演变，通过透镜的基本模式的知识流之间的学术论文，作者，研究子领域，科学期刊。在这里，我们专注于引用网络，以揭示同质性的显着性，即相似性产生联系的原则，用于论文之间的知识转移。为此，我们评估了引用倾向于发生在那些关注看似相关的主题或研究问题的论文之间的程度。利用1893年至2009年美国物理学会期刊上发表的大量文章数据集，我们提出了一种新的方法，通过统计验证其参考书目之间的重叠来测量文章之间的相似性。结果表明，由一篇文章到另一篇文章的引用的概率确实是两篇文章之间的相似性的递增函数。我们的研究还使我们能够发现高度相关的文章之间的缺失引用，从而有助于识别有效知识流动的障碍。通过量化缺失引文的比例，我们对不同期刊和研究子领域促进或阻碍知识传播的能力进行了比较评估。研究结果表明，知识转移似乎更有效地促进了广泛的知名度，如物理评论快报，比低影响的期刊。我们的研究对科学期刊的作者、编辑和审稿人以及公共预印本库具有重要意义，因为它提供了一个推荐相关但缺失的参考文献和正确整合论文参考书目的程序。
2015-11-24 cs.DL cs.IR cs.SI
Automated Detection of Missing Links in Bicycle Networks
针对城市自行车网络建设零散、缺口多的问题，提出基于OpenStreetMap数据的IPDC流程识别优先级缺失链路，在哥本哈根验证与官方规划高度重叠，可为全市自行车网络规划提供低成本数据支持。
2022-03-28 cs.CY physics.soc-ph
The missing link in nanomaterials governance: industrial dynamics and downstream policies
在这篇文章中，我们探讨了扩大纳米材料治理的分析和政策影响，从关注风险监管到更广泛地关注创新治理。为此，我们分析了工业活动对纳米技术治理的影响，而以前的研究集中在风险评估，公众看法，公众参与，监管框架和相关政策。我们认为，纳米材料的工业动态的具体特点-应用和分布式创新的灵活性-创新治理有重要的影响，因为它们限制和使不同的干预措施，试图塑造技术。灵活性和分散性加剧了直接控制或塑造纳米材料创新方向的困难。特别是，公共政策杠杆作用的潜力受到创新场所多样性造成的自下而上的治理性质的阻碍。在这种情况下，我们认为，纳米材料治理的政策框架需要扩大。目前对上游政策举措的重视值得赞扬，但应辅之以更广泛的下游政策，如可再生能源采购或住房条例，以调整技术发展，实现社会理想的目标。
2009-08-09 cond-mat.mtrl-sci cond-mat.other physics.soc-ph
Lotka-Volterra versus May-Leonard formulations of the spatial stochastic Rock-Paper-Scissors model: the missing link
RPS模型成功地再现了自然界中具有种间竞争的简单循环捕食系统的一些主要特征。尽管如此，基于格子的模拟的空间随机RPS模型是已知的，会产生显着不同的结果，这取决于是否采用三态Lotka-Volterra或四态May-Leonard公式。这是真的，独立的模型参数的值和使用冯诺依曼或摩尔邻域。为了减少使用离散格的影响，在本文中，我们介绍了一个简单的修改标准的空间随机RPS模型中，最近的邻居的搜索范围可能会扩展到最大欧氏半径$R$。我们表明，通过这种调整，Lotka-Volterra和May-Leonard公式可以设计为产生类似的结果，无论是在动力学性质和空间特征方面，通过适当的参数选择。特别是，我们表明，这种修改后的空间随机RPS模型自然会导致螺旋图案的出现，在其三个和四个状态配方。
2021-10-06 cond-mat.stat-mech physics.soc-ph q-bio.PE
