基于NBCA-PR的网络链路预测方法及系统

本发明涉及链路预测，尤其涉及基于nbca-pr的网络链路预测方法及系统。

背景技术：

1、在当今社会，网络已经成为人们生活和工作中不可或缺的一部分，随着互联网的迅速发展，网络中的数据量也在不断增加，这些数据组成了一个庞大的复杂网络，这个网络中的每个节点代表一个个体，每个边代表个体之间的联系。

2、近年来，链路预测技术得到了广泛的应用；例如，在社交网络中，可以用于预测用户行为等；在电子商务中，可以用于优化推荐系统等；在生物信息学中，可以用于预测蛋白质相互作用等它旨在预测网络中不存在但可能形成的链路。

3、虽然链路预测技术已经取得了一些进展，但是仍存在着一些挑战和困难，大部分链路预测算法的准确性和鲁棒性不够理想，需要进一步提高；而且链路预测技术需要考虑更加复杂的网络特征，如节点属性、社区结构等，以提高预测的准确性和实用性。

4、现有的降维技术提高了计算效率并能够捕捉复杂的网络结构，但它们有时会丢失网络中的重要信息，特别是在处理非线性结构时。

5、另外，专利一种基于改进余弦相似度的链路预测方法及系统，通过改进余弦相似度算法，但仍存在以下不足：

6、1、局部信息的局限性：虽然公式考虑了共同邻居的数量，但它没有细致地考察这些共同邻居与各节点的连接紧密度；因此，它可能无法充分捕捉节点间的局部连接特征；

7、2、缺乏全局视角：改进余弦相似度算法主要关注局部结构，缺少对全局视角的关注；全局视角有助于理解整个网络的宏观结构，这是单纯基于相似度的算法所缺乏的；

8、3、计算复杂度：改进余弦相似度算法在计算节点间相似度时可能会面临较高的计算复杂度，特别是在大规模网络中，因为它需要计算所有节点对的共同邻居数量。

技术实现思路

1、针对现有方法的不足，本发明提出nbca(neighborhood-based clusteringalgorithm，基于邻域的聚类)-pr(pagerank)方法，利用nbca获得节点局部信息，利用pr获得节点全局信息，并结合局部信息和全局信息，用于网络链路预测。

2、本发明所采用的技术方案是：基于nbca-pr的网络链路预测方法包括以下步骤：

3、步骤一、获取数据集数据，划分为训练集和测试集；

4、步骤二、获得每个节点的节点度信息和节点间的连接边以及节点结构信息；

5、步骤三、将节点信息代入nbca算法，计算两节点共同邻居的平均度，计算每个共同邻居节点与两个节点的连接紧密度系数，并根据平均度和紧密度系数得到两个节点连接的紧密度值，并通过紧密度值构建局部特征分数矩阵；

6、作为本发明的一种优选实施方式，平均度的公式为：

7、

8、其中，num(z)表示z的数量，di为节点x,y共同邻居i的节点度数。

9、作为本发明的一种优选实施方式，连接紧密度系数的公式为：

10、

11、

12、其中，γ(i)表示节点x,y共同邻居i的邻居节点，γ(x)和γ(y)表示节点x,y的邻居节点。

13、作为本发明的一种优选实施方式，紧密度值的公式为：

14、

15、其中，kx和ky分别为节点x和y的连接紧密度系数，dxy为节点x和y之间的平均度。

16、步骤四、将节点信息代入pagerank算法，获得全局特征分数矩阵；并引入非负矩阵分解方法分解全局信息矩阵，提升链路预测准确性；

17、作为本发明的一种优选实施方式，获得全局特征分数矩阵时首先计算两节点的影响分数之和，并作为指数函数的幂次方。

18、作为本发明的一种优选实施方式，非负矩阵分解方法分解全局信息矩阵首先利用基本矩阵和系数矩阵对全局特征分数矩阵进行矩阵转换，利用最小损失函对全局特征分数矩阵进行约束，利用拉格朗日乘法对基本矩阵和系数矩阵分别约束，通过kkt条件对基本矩阵和系数矩阵进行更新，利用更新后的基本矩阵和系数矩阵得到更新后的全局信息矩阵。

19、步骤五、利用全局特征分数矩阵和局部特征分数矩阵计算链路预测的总分数矩阵；

20、作为本发明的一种优选实施方式，总分数矩阵表示为：

21、s＝a1slocal+a2sglobal   (18)

22、其中，slocal为局部特征分数矩阵；sglobal为全局特征分数矩阵；a1和a2为调节系数。

23、步骤六、将所有不存在连边按照预测分数降序排列，选取前若干条边作为存在链接。

24、作为本发明的一种优选实施方式，步骤四还利用准确率、召回率、f_score、aupr和auc指标进行评价。

25、作为本发明的一种优选实施方式，基于nbca-pr的网络链路预测系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于nbca-pr的网络链路预测方法。

26、作为本发明的一种优选实施方式，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现基于nbca-pr的网络链路预测方法。

27、本发明的有益效果：

28、1、构建nbca算法用于捕获局部信息.该算法能够有效识别特定节点间的密集连接特征，并充分考虑节点的社群属性，从而显著提升链路预测的准确度；

29、2、利用pagerank算法处理全局拓扑信息，对所获得的全局信息进行进一步优化，并采用非负矩阵分解方法提炼预测信息；

30、3、构建nbca-pr矩阵，能够同时保留局部和全局特征，该框架能够综合局部与全局特征，从而在保证链路预测的准确性的同时，提升其精确度和鲁棒性；

31、4、利用指数函数对节点影响分数重新定义，提高节点非线性问题。

技术特征：

1.基于nbca-pr的网络链路预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于nbca-pr的网络链路预测方法，其特征在于，平均度的公式为：

3.根据权利要求1所述的基于nbca-pr的网络链路预测方法，其特征在于，连接紧密度系数的公式为：

4.根据权利要求2和3所述的基于nbca-pr的网络链路预测方法，其特征在于，紧密度值的公式为：

5.根据权利要求1所述的基于nbca-pr的网络链路预测方法，其特征在于，获得全局特征分数矩阵时首先计算两节点的影响分数之和，并作为指数函数的幂次方。

6.根据权利要求1所述的基于nbca-pr的网络链路预测方法，其特征在于，非负矩阵分解方法分解全局信息矩阵首先利用基本矩阵和系数矩阵对全局特征分数矩阵进行矩阵转换，利用最小损失函对全局特征分数矩阵进行约束，利用拉格朗日乘法对基本矩阵和系数矩阵分别约束，通过kkt条件对基本矩阵和系数矩阵进行更新，利用更新后的基本矩阵和系数矩阵得到更新后的全局信息矩阵。

7.根据权利要求1所述的基于nbca-pr的网络链路预测方法，其特征在于，总分数矩阵表示为：

8.根据权利要求1所述的基于nbca-pr的网络链路预测方法，其特征在于，步骤四还包括：利用准确率、召回率、f_score、aupr和auc指标进行评价。

9.基于nbca-pr的网络链路预测系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-8任一项所述的基于nbca-pr的网络链路预测方法。

10.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-8任一项所述的基于nbca-pr的网络链路预测方法。

技术总结
本发明涉及链路预测技术领域，尤其涉及基于NBCA‑PR的网络链路预测方法及系统，包括获取数据集数据；获得每个节点的节点度信息和节点间的连接边以及节点结构信息；将节点信息代入NBCA算法，计算两节点共同邻居的平均度，计算每个共同邻居节点与两个节点的连接紧密度系数，并根据平均度和紧密度系数得到两个节点连接的紧密度值，并通过紧密度值构建局部特征分数矩阵；将节点信息代入PageRank算法，获得全局特征分数矩阵；并引入非负矩阵分解方法分解全局信息矩阵，提升链路预测准确性；利用全局特征分数矩阵和局部特征分数矩阵计算链路预测的总分数矩阵。本发明解决现有链路预测方法准确性和效率低的问题。

技术研发人员：刘洋,蔡盼煜,郇战,时文雅,郭坛
受保护的技术使用者：常州大学
技术研发日：
技术公布日：2024/5/10