Robustness of Link-prediction Algorithm Based on Similarity and Application to Biological Networks
已经提出了许多算法来预测各种真实网络中的丢失链接。这些研究主要集中在这些算法的准确性和效率。然而，很少有人注意到他们的鲁棒性对噪声或不合理的链接存在于几乎所有的现实网络。在本文中，我们研究了几个典型的基于节点相似性的算法的鲁棒性，发现这些算法是敏感的噪声强度。此外，我们还发现它还依赖于网络的结构性质，特别是网络效率、聚类系数和平均度。此外，我们尝试通过链路加权的方法将未加权的网络转化为加权网络，然后利用链路的权重来表征其可靠性，以增强鲁棒性。结果表明，在生物网络中，适当的链路加权方案可以显著提高算法的鲁棒性和准确性，而计算量很小。
2013-02-24 cs.SI physics.soc-ph
Hidden space reconstruction inspires link prediction in complex networks
链接预测是众多学科中的一个基本挑战，其目的是根据不完全的观测信息识别网络中的潜在链接，具有广泛的应用，从发现缺失的蛋白质-蛋白质相互作用到预测网络的演化。其中最有影响力的方法依赖于相似性指数的共同邻居或其变化的特点。我们构造了一个隐藏空间映射到欧氏空间的网络连接结构的基础上，完全网络。与节点的真实地理位置相比，我们重建的位置与真实位置是一致的。我们的隐藏空间中的节点之间的距离可以作为一种新的相似性度量在链接预测。此外，我们混合我们的隐藏空间方法与其他国家的最先进的相似性方法，大大优于现有的方法的预测精度。因此，我们的隐藏空间重建模型提供了一个新的角度来理解网络结构，特别是投下了新的光链接预测。
2017-03-25 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
Experimental analyses on 2-hop-based and 3-hop-based link prediction algorithms
链路预测是网络科学中一个重要而又具有挑战性的课题。大多数已知的方法是基于相似性的，其为节点对分配相似性指数，并且假设相似性较大的两个节点具有通过链路连接的较高概率。基于相似性的方法，特别是那些只基于局部信息的方法，由于其简单、可解释性和高效率，已经在不同的领域得到了成功的应用。在这个研究领域，一个直观的共识是，两个节点共享共同的邻居是很可能有一个链接，而最近的一些证据认为，3跳路径的数量更准确地预测丢失的链接比共同的邻居的数量。在本文中，我们在128个真实网络上对基于2跳和基于3跳的相似性指数进行了广泛的实验比较。我们的结果表明，基于3跳的索引表现略好，获胜率约为55.88%，但哪一个索引是最好的仍然取决于目标网络。总的来说，Cannistraci-Hebb指数类在所有考虑的候选人中表现最好。
2019-08-31 cs.SI physics.soc-ph
Effective and Efficient Similarity Index for Link Prediction of Complex Networks
对不完整网络（如蛋白质-蛋白质相互作用网络）或进化网络（如网络社会中的友谊网络）中非常可能但尚未存在的链接的预测可以被视为进一步实验的指导方针或对网络用户有价值的信息。在本文中，我们引入了一个局部路径指数来估计两个节点之间的链接存在的可能性。我们提出了一个在生成链接时密度和噪声强度可控的网络模型，并收集了六个真实网络的数据。大量的数值模拟模型的网络和真实的网络证明了高的有效性和效率的本地路径索引相比，两个著名的和广泛使用的索引，共同的邻居和Katz指数。事实上，本地路径索引提供了具有竞争力的准确预测的Katz指数，而需要更少的CPU时间和内存空间，因此，这是一个强大的候选人的潜在的实际应用中的数据挖掘的巨大规模的网络。
2009-08-26 physics.data-an physics.soc-ph q-bio.QM
Measure of Node Similarity in Multilayer Networks
网络中链接的权重通常与节点的相似性有关。在这里，我们引入了一个简单的可调措施，用于分析不同链接权重的节点的相似性。特别是，我们使用的措施来分析同质性在一组659名大一学生在一所大型大学。我们的分析基于使用配备定制数据汇集软件的智能手机获得的数据，并辅以基于手机的数据。社会联系的网络被表示为一个加权的多层网络，该网络由不同的电信渠道以及面对面的联系数据构成。我们发现，即使是联系紧密的个体，在基本人格特征方面也不比随机选择的个体对更相似。相比之下，一些社会人口统计变量有很大程度的相似性。我们进一步观察到，相似性可能存在于多层网络的一层中，同时在其他层中不存在。对于一个变量，如性别，我们的措施揭示了一个过渡，从节点之间的相似性连接的链接相对较低的权重到不相似的节点连接的最强的链接。最后，我们分析了网络中不同层次的重叠。
2016-06-02 cs.SI physics.soc-ph
Playing the role of weak clique property in link prediction: A friend recommendation model
研究链路预测的一个重要事实是，网络的结构特性对算法的性能有很大的影响。因此，如何利用网络的结构特性来提高链路预测的性能是一个重要的问题。通过对许多实际网络的分析，我们发现了一个共同的结构性质：节点优先链接到具有弱团结构的节点（简称PWCS）。基于这种PWCS现象，我们提出了一个本地的朋友推荐（FR）指数，以促进链接预测。实验结果表明，FR索引的性能普遍优于常见的局部相似性索引，如公共邻居（CN）索引、Adamic-Adar（AA）索引和资源分配（RA）索引。然后，我们解释了为什么PWCS可以引起更好的性能的FR指数在链接预测。最后，利用PWCS现象提出了一种混合的朋友推荐指数（标记MFR），进一步提高了链接预测的准确性。
2016-01-20 cs.SI physics.soc-ph
Similarity-based Link Prediction from Modular Compression of Network Flows
节点相似性分数是用于聚类、节点分类、异常检测和链接预测的图中的机器学习的基础，其应用于生物系统、信息网络和推荐系统。最近的链接预测工作使用向量空间嵌入来计算无向网络中的节点相似性，具有良好的性能。尽管如此，它们仍有一些缺点：有限的可解释性，需要超参数调整，通过降维进行手动模型拟合，以及定向链接预测中对称相似性的性能较差。我们提出了MapSim，一个信息理论的措施来评估节点的相似性的基础上模块化压缩的网络流。与向量空间嵌入不同，MapSim表示社区的离散非度量空间中的节点，并以无监督的方式产生非对称相似性。我们比较MapSim的链接预测任务，流行的嵌入式算法在47个网络，并发现MapSim的平均性能在所有网络是超过7%高于其最接近的竞争对手，优于所有嵌入方法在11个47个网络。我们的方法展示了基于压缩的方法在图表示学习中的潜力，在其他图学习任务中具有很好的应用前景。
2023-01-27 cs.SI physics.soc-ph
Predicting missing links via correlation between nodes
链接预测是许多领域中的一个基本问题，其目的是根据观测到的信息来估计两个节点之间存在链接的可能性。由于这个问题涉及到许多应用，从发现丢失的数据到预测网络的演变，最近已经深入研究了链接预测，到目前为止已经提出了许多方法。链接预测的本质挑战是估计节点之间的相似性。现有的大多数方法都是基于公共邻居索引及其变体。在本文中，我们提出了计算节点之间的相似性的相关系数。该方法被认为是非常有效的应用时，计算基于高阶路径的相似性。最后，我们将基于相关性的方法与资源分配方法相结合，发现结合的方法可以大大优于现有的方法，特别是在稀疏网络中。
2014-09-30 cs.SI physics.data-an physics.soc-ph
C-Rank: A Link-based Similarity Measure for Scientific Literature Databases
随着使用科学文献数据库的人数的增加，对文献检索服务的需求也在稳步增长。最流行的检索服务之一是找到一组与正在考虑的论文相似的论文，这需要计算论文之间的相似性的度量。科学文献数据库呈现出两个不同于一般数据库的有趣特征。首先，老论文引用的论文往往由于技术和经济原因而不被数据库收录。其次，由于一篇论文引用了之前发表的论文，很少有论文引用最近发表的论文。这两个特征导致所有现有的相似性度量在以下情况中的至少一种情况下失败：（1）测量旧的但相似的论文之间的相似性，（2）测量最近的但相似的论文之间的相似性，以及（3）测量两个相似的论文之间的相似性：一个旧的，另一个最近的。在本文中，我们提出了一种新的基于链接的相似性度量称为C-Rank，它使用在链接和外链接，而不考虑方向的参考。此外，我们讨论了最合适的规范化方法的科学文献数据库，并提出了一种评估方法来衡量相似性措施的准确性。我们使用了一个数据库，其中包含来自DBLP的真实论文及其从Libra抓取的参考信息，并将C-Rank的性能与现有的相似性度量进行了比较。实验结果表明，C-Rank比现有的相似性度量方法具有更高的准确率。
2011-09-06 cs.DL cs.IR physics.soc-ph
Local degree blocking model for link prediction in complex networks
通过准确识别网络中缺失和不可靠的链路来恢复和重建网络是网络分析和挖掘领域的一项重要任务。本文通过研究一种特殊的局部结构，即由一个节点和它的所有近邻节点组成的度块，发现它包含了复杂网络链路形成的重要统计特征。因此，我们提出了一个无参数的局部阻塞（LB）预测，定量检测在给定的网络中，通过局部链接密度计算的链接形成。在六个真实网络上进行的实验结果表明，新索引在大多数测试网络上的性能优于其他传统的基于局部相似性的方法。进一步分析了LB指标与其他两种方法的相关性，发现LB指标具有与PA指标和基于最短路径的指标相似的特征，实证验证了LB指标同时捕捉到的大度原则和最短路径原则共同驱动复杂网络中的链接形成。
2014-09-16 cs.SI physics.soc-ph
Predicting Missing Links via Local Information
网络的缺失链预测在现代科学中具有重要的理论意义和实际意义。在本文中，我们实证研究的基础上，节点相似性的链接预测的一个简单的框架。我们比较了九个著名的本地相似性措施在六个真实的网络。结果表明，最简单的措施，即共同的邻居，具有最好的整体性能，和Adamic-Adar指数表现第二好。提出了一种新的相似性度量，动机的资源分配过程中发生的网络，并显示出具有更高的预测精度比共同的邻居。研究发现，如果只使用最近邻的信息，许多链接被分配相同的分数。因此，我们设计了另一种新的措施，利用信息的次近邻，它可以显着提高预测精度。
2009-06-01 physics.data-an physics.soc-ph
Efficient Community Detection in Large Networks using Content and Links
在本文中，我们讨论了一个非常简单的方法相结合的内容和链接信息的图形结构的社区发现的目的，在网络分析中的一项基本任务。我们的方法取决于基本的直觉，即许多网络在链接结构中包含噪声，并且内容信息可以帮助加强社区信号。这使人们能够消除噪声的影响（假阳性和假阴性），这是特别普遍的在线社交网络和Web规模的信息网络。具体来说，我们引入了一个衡量网络中两个节点之间的信号强度，通过融合它们的链接强度与内容相似性。链路强度是基于链路是否可能（以高概率）驻留在社区内来估计的。通过余弦相似度或Jaccard系数来估计内容相似度。我们讨论了一个简单的机制，融合内容和链接的相似性。然后，我们提出了一个有偏的边缘采样过程，它保留了每个图节点的局部相关的边缘。可以使用标准的社区发现算法（例如Metis和Markov聚类）来聚类所得到的骨干图。通过对具有不同大小和特征的多个真实世界数据集（Flickr，Wikipedia和CiteSeer）的广泛实验，我们证明了我们的方法在最先进的学习和挖掘方法中的有效性和效率，其中一些方法还试图将链接和内容分析结合起来用于社区发现。具体来说，我们总是发现一个定性的好处时，结合内容与链接分析。此外，我们的有偏图采样方法实现了定量的好处，因为它通常比竞争方法快几个数量级。
2012-12-01 cs.SI physics.soc-ph
Link Prediction with Node Clustering Coefficient
如何有效、准确地预测不完备复杂网络中的缺失链仍然是一个具有挑战性的问题。最近提出的CAR（Cannistrai-Alanis-Ravai）索引显示了本地链接/三角形信息在提高链接预测精度方面的作用。利用第二级链接（即公共邻居之间的链接）的信息，可以改进大多数经典的相似性指标。然而，计算2级链接的数量使得CAR索引不够有效。受利用局部连接/三角形信息的思想的启发，我们提出了一种新的具有更多局部结构信息的相似性指数。在我们的方法中，局部链接/三角形结构信息可以直接通过公共邻居的聚类系数来传达。聚类系数在估计共同邻居贡献方面具有良好效果的原因是它利用了共同邻居的邻居之间存在的链接，并且这些链接与该共同邻居的候选链接具有相同的结构位置。来自五个不同领域的十个真实世界的网络被用来测试我们的方法对经典的相似性指标和最近提出的CAR指标的性能。两个估计：精度和AUP，用于评估链接预测算法的准确性。一般来说，我们的新指标只能与CAR竞争，但它是一个很好的补充，CAR的网络与不太高的LCP-corr，这是一个措施，以估计之间的相关性的数量的共同邻居和共同邻居之间的链接数。此外，该指数也比CAR指数更有效。
2016-01-16 cs.SI physics.soc-ph stat.AP
Percolation of Interdependent Networks with Inter-similarity
真实数据表明，相互依赖的网络通常涉及相互相似性。互相似性意味着一对相互依赖的节点在两个网络中都有邻居，这些邻居也是相互依赖的（Parshani et al \cite{PAR10B}）。例如，耦合的全球港口网络和全球机场网络是相互类似的，因为在这两个网络中存在许多对通过直达航班和直达航运线链接的节点（相邻城市）。在同一个城市的两个网络中的节点被认为是相互依赖的。如果一个网络中的两个相邻节点依赖于另一个网络中的相邻节点，我们称这些链路为公共链路。系统中公共链接的比例是相互相似性的度量。以往的仿真结果表明，互相似性对减少级联故障有显著的作用，但目前缺乏对互相似性对级联过程影响的理论认识。在这里，我们映射的级联过程中的相互相似性的渗透网络组成的组件的共同链接和非共同链接。这就把相似系统的渗流问题转化为一系列子网络上的正则渗流问题，并可以解析求解。我们应用我们的分析的情况下，共同链接的网络是一个Erdens-Rényi（ER）网络的平均度$K$，和两个网络的非共同链接也是ER网络。我们表明，对于一个完全耦合的ER网络对，对于任何$K\geq0$，虽然级联减少与增加$K$，相变仍然是不连续的。我们的分析可以推广到任何一种相互依赖的随机网络系统。
2013-08-08 cond-mat.stat-mech physics.soc-ph
