[论文解读] Link Prediction in Networks with Nodes Attributes by Similarity Propagation

Maosheng Jiang, Yonxiang Chen+1 more|arXiv (Cornell University)|Feb 15, 2015

Complex Network Analysis Techniques参考文献 13被引用 9

一句话总结

本文提出了一种链接预测方法，通过在网络中利用节点属性相似性引导链接相似性得分的随机游走传播。通过基于节点属性相似性分配传播概率，该方法在属性网络上的预测准确率优于现有方法。

ABSTRACT

The problem of link prediction has attracted considerable recent attention from various domains such as sociology, anthropology, information science, and computer sciences. A link prediction algorithm is proposed based on link similarity score propagation by a random walk in networks with nodes attributes. In the algorithm, each link in the network is assigned a transmission probability according to the similarity of the attributes on the nodes connected by the link. The link similarity score between the nodes are then propagated via the links according to their transmission probability. Our experimental results show that it can obtain higher quality results on the networks with node attributes than other algorithms.

研究动机与目标

• 解决节点具有额外属性信息的网络中的链接预测挑战。
• 通过将节点属性相似性整合到链接预测过程中，提升预测准确率。
• 开发一种基于属性传播概率在网络中传播链接相似性得分的方法。
• 在真实世界的属性网络上评估所提方法的有效性。

提出的方法

• 基于连接链接两端节点的属性余弦相似度，为网络中的每条链接分配一个传播概率。
• 使用随机游走过程在网络中传播链接相似性得分，其中转移概率由节点属性相似性决定。
• 传播过程通过邻近链接的加权贡献，迭代更新节点对之间的相似性得分。
• 节点对的最终链接预测得分由传播过程收敛后的累积相似性得分得出。
• 该方法整合了结构信息与基于属性的信息，以增强链接预测性能。

实验结果

研究问题

• RQ1 如何有效将节点属性信息整合到链接预测算法中？
• RQ2 基于属性传播概率引导的相似性传播能否提升链接预测准确率？
• RQ3 所提方法在属性网络上与现有链接预测技术相比表现如何？
• RQ4 属性相似性对链接相似性传播的收敛性和稳定性有何影响？

主要发现

• 所提方法在属性网络上的预测准确率高于基线算法。
• 将节点属性相似性纳入传播概率显著提升了链接预测性能。
• 该方法在不同网络类型和属性分布下均表现出鲁棒性和稳定性。
• 基于随机游走的传播机制有效捕捉了网络结构中的长程依赖关系。