[论文解读] Nonparametric Link Prediction in Dynamic Networks

Purnamrita Sarkar, Deepayan Chakrabarti+1 more|arXiv (Cornell University)|Jun 27, 2012

Complex Network Analysis Techniques参考文献 20被引用 76

一句话总结

该论文提出了一种用于动态网络的非参数链接预测方法，通过利用局部邻域特征和端点属性来建模演化的网络结构。该方法通过局部敏感哈希实现一致估计，在真实和模拟的动态图上优于最先进方法，尤其在非线性动态或剧烈波动情况下表现更优。

ABSTRACT

We propose a non-parametric link prediction algorithm for a sequence of graph snapshots over time. The model predicts links based on the features of its endpoints, as well as those of the local neighborhood around the endpoints. This allows for different types of neighborhoods in a graph, each with its own dynamics (e.g, growing or shrinking communities). We prove the consistency of our estimator, and give a fast implementation based on locality-sensitive hashing. Experiments with simulated as well as five real-world dynamic graphs show that we outperform the state of the art, especially when sharp fluctuations or non-linearities are present.

研究动机与目标

• 解决在具有复杂非线性结构动态的时间演化网络中预测未来链接的挑战。
• 开发一种非参数模型，以适应多样化邻域行为，如社区的增长或萎缩。
• 在最小参数假设下确保链接预测估计器的统计一致性。
• 通过利用局部敏感哈希实现高效计算，从而实现可扩展的预测。
• 在具有剧烈结构变化或非线性演化模式的动态网络中提升性能。

提出的方法

• 该模型使用基于核的非参数估计器，结合了端点及其局部邻域的特征。
• 通过聚合每个节点对周围结构特征（如度数、聚类系数和基于路径的统计量）来捕捉邻域动态。
• 该方法采用局部敏感哈希（LSH）加速计算，通过高效识别相似邻域而无需穷举搜索。
• 在温和正则性条件下，证明了估计器的一致性，确保随着数据增长，估计值收敛于真实链接概率。
• 该算法处理一系列图快照，通过保持时间依赖性，增量式地更新预测。
• 通过允许不同邻域基于局部特征独立演化，支持异构网络动态。

实验结果

研究问题

• RQ1 非参数方法能否有效建模时间演化网络中复杂且非线性的链接形成动态？
• RQ2 与仅基于端点的模型相比，引入局部邻域结构在多大程度上提升了链接预测的准确性？
• RQ3 在具有突发变化的动态图中，所提出方法相较于现有参数和非参数链接预测技术的性能提升程度如何？
• RQ4 在最小建模假设下，所提出的估计器是否具有统计一致性？
• RQ5 局部敏感哈希能否在大规模动态网络中实现可扩展的实时链接预测？

主要发现

• 所提出方法在五个真实世界动态网络（包括社交网络和引文网络）上显著优于最先进链接预测算法。
• 在结构剧烈波动或非线性动态的场景中表现更优，而传统参数模型常在此类情况下失效。
• 使用局部敏感哈希实现了可扩展的实现，同时以更低的计算成本保持了高预测精度。
• 理论分析证实了估计器的一致性，确保随着快照数量增加，估计结果可靠收敛。
• 与仅基于端点的基线相比，引入局部邻域特征显著提升了AUC和AUPRC指标。
• 实证结果表明，该方法在多种网络类型中均表现出鲁棒性，包括社区增长与衰减的网络。