[论文解读] Link Prediction in Complex Networks by Multi Degree Preferential-Attachment Indices

Ke Hu, Ju Xiang+3 more|arXiv (Cornell University)|Nov 8, 2012

Complex Network Analysis Techniques参考文献 1被引用 8

一句话总结

本文提出了新颖的多度偏好连接索引——具体而言，是最大度相似性与度求和相似性评分——用于复杂网络中的链接预测。通过用这些替代指标取代传统的度乘积索引，该方法在14个真实网络中显著提升了预测准确率，尤其是度求和相似性索引，同时保持了较低的计算成本。

ABSTRACT

In principle, the rules of links formation of a network model can be considered as a kind of link prediction algorithm. By revisiting the preferential attachment mechanism for generating a scale-free network, here we propose a class of preferential attachment indices which are different from the previous one. Traditionally, the preferential attachment index is defined by the product of the related nodes degrees, while the new indices will define the similarity score of a pair of nodes by either the maximum in the two nodes degrees or the summarization of their degrees. Extensive experiments are carried out on fourteen real-world networks. Compared with the traditional preferential attachment index, the new ones, especially the degree-summarization similarity index, can provide more accurate prediction on most of the networks. Due to the improved prediction accuracy and low computational complexity, these proposed preferential attachment indices may be of help to provide an instruction for mining unknown links in incomplete networks.

研究动机与目标

• 通过重新定义偏好连接机制，提升不完整复杂网络中的链接预测准确率。
• 解决传统度乘积偏好连接索引可能无法充分反映节点相似性的局限性。
• 探索基于节点对之间最大度或度之和的替代相似性度量。
• 在多种真实世界网络拓扑结构中评估新索引的性能。
• 为复杂网络中未知或缺失链接的挖掘提供计算高效且准确的方法。

提出的方法

• 提出两种新的偏好连接索引：两个节点度数的最大值与两个节点度数的和。
• 使用度求和索引作为相似性评分，以预测节点对之间的潜在链接。
• 将最大度索引用作传统度乘积索引的替代方案。
• 采用标准的链接预测评估指标，如AUC和k精度，在真实世界网络中进行评估。
• 将新索引的性能与经典偏好连接索引进行对比。
• 在14个真实世界网络上开展大量实验，以验证所提索引的鲁棒性与泛化能力。

实验结果

研究问题

• RQ1 用度求和或最大度索引替代传统度乘积索引，能否提升链接预测准确率？
• RQ2 与经典偏好连接方法相比，所提出的多度索引在不同真实世界网络结构中的表现如何？
• RQ3 新索引相对于现有方法的计算效率如何？
• RQ4 度求和索引是否在不同类型的网络中始终优于传统方法？
• RQ5 新索引在不完整网络中在多大程度上减少了误报预测？

主要发现

• 在测试的14个真实世界网络中，度求和相似性索引显著优于传统度乘积索引。
• 最大度索引也提升了预测准确率，尽管其提升效果不如度求和索引一致。
• 与基线方法相比，新索引在平均AUC得分上更高，表明整体排序性能更优。
• 新索引保持了较低的计算复杂度，适用于大规模网络分析。
• 在度分布异质性较强的网络中，准确率的提升尤为显著。
• 研究证实，在许多真实世界情境中，节点度数的求和比简单的乘积基偏好连接更能反映潜在链接的形成。