本發(fā)明涉及通訊
技術(shù)領(lǐng)域：
，特別涉及一種基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法。
背景技術(shù)：
：鏈路預(yù)測是復(fù)雜網(wǎng)絡(luò)分析中一個(gè)重要的研究課題。網(wǎng)絡(luò)中的鏈路預(yù)測(LinkPrediction)是指如何通過已知的網(wǎng)絡(luò)節(jié)點(diǎn)以及網(wǎng)絡(luò)結(jié)構(gòu)等信息預(yù)測網(wǎng)絡(luò)中尚未產(chǎn)生連邊的兩個(gè)節(jié)點(diǎn)之間產(chǎn)生鏈接的可能性。這種預(yù)測既包含了對未知鏈接(existyetunknownlinks)的預(yù)測也包含了對未來鏈接(futurelinks)的預(yù)測。隨著網(wǎng)絡(luò)科學(xué)的快速發(fā)展，在理論方面，鏈路預(yù)測為網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)化提供了切實(shí)的證據(jù)，其理論上的研究成果為鏈路預(yù)測搭建了一個(gè)研究的平臺，使得鏈路預(yù)測的研究與網(wǎng)絡(luò)的結(jié)構(gòu)與演化緊密聯(lián)系起來。在實(shí)際應(yīng)用方面，鏈路預(yù)測應(yīng)用非常廣泛，從社會網(wǎng)絡(luò)到生物網(wǎng)絡(luò)(蛋白質(zhì)互作網(wǎng)絡(luò)、基因調(diào)控網(wǎng)絡(luò)、代謝網(wǎng)絡(luò))，從社會網(wǎng)絡(luò)的推薦系統(tǒng)推斷相似目標(biāo)到恐怖分子網(wǎng)絡(luò)的未知聯(lián)系預(yù)測，從萬維網(wǎng)的朋友關(guān)系預(yù)測到學(xué)術(shù)界的科學(xué)家合作關(guān)系預(yù)測等。尤其是在很多生物網(wǎng)絡(luò)，例如蛋白質(zhì)相互作用網(wǎng)絡(luò)和新陳代謝網(wǎng)絡(luò)，節(jié)點(diǎn)之間是否存在鏈接，或者說是否存在相互作用關(guān)系，是需要通過大量實(shí)驗(yàn)結(jié)果進(jìn)行推斷的。我們已知的實(shí)驗(yàn)結(jié)果僅僅揭示了巨大網(wǎng)絡(luò)的冰山一角。僅以蛋白質(zhì)相互作用網(wǎng)絡(luò)為例，酵母菌蛋白質(zhì)之間80％的相互作用不為我們所知，而對于人類自身，我們知道的僅有可憐的0.3％。由于揭示這類網(wǎng)絡(luò)中隱而未現(xiàn)的鏈接需要耗費(fèi)高額的實(shí)驗(yàn)成本。那么如果能夠事先在已知網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上設(shè)計(jì)出足夠精確的鏈路預(yù)測算法，再利用預(yù)測的結(jié)果指導(dǎo)試驗(yàn)，就有可能提高實(shí)驗(yàn)的成功率從而降低試驗(yàn)成本并加快揭開這類網(wǎng)絡(luò)真實(shí)面目的步伐！實(shí)際上，社會網(wǎng)絡(luò)分析中也會遇到數(shù)據(jù)不全的問題，這時(shí)候鏈路預(yù)測同樣可以作為準(zhǔn)確分析社會網(wǎng)絡(luò)結(jié)構(gòu)的有力的輔助工具。除了幫助分析數(shù)據(jù)缺失的網(wǎng)絡(luò)，鏈路預(yù)測算法還可以用于分析演化網(wǎng)絡(luò)，即對未來的預(yù)測。舉例來說，近幾年在線社交網(wǎng)絡(luò)發(fā)展非常迅速，鏈路預(yù)測可以基于當(dāng)前的網(wǎng)絡(luò)結(jié)構(gòu)去預(yù)測哪些現(xiàn)在尚未結(jié)交的用戶“應(yīng)該是朋友”，并將此結(jié)果作為“朋友推薦”發(fā)送給用戶：如果預(yù)測足夠準(zhǔn)確，顯然有助于提高相關(guān)網(wǎng)站在用戶心目中的地位，從而提高用戶對該網(wǎng)站的忠誠度。另外，鏈路預(yù)測的思想和方法，還可以用于在已知部分節(jié)點(diǎn)類型的網(wǎng)絡(luò)(partiallylabelednetworks)中預(yù)測未標(biāo)簽節(jié)點(diǎn)的類型――這可以用于判斷一篇學(xué)術(shù)論文的類型或者判斷一個(gè)手機(jī)用戶是否產(chǎn)生了切換運(yùn)營商(例如從移動到聯(lián)通)的念頭。技術(shù)實(shí)現(xiàn)要素：為了解決上述問題，本發(fā)明提供一種基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法，其特征在于，包含：獲取BenefitRank值；根據(jù)所述BenefitRank值做鏈路預(yù)測。進(jìn)一步的，在所述的基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法中，在獲取BenefitRank值的步驟中，通過以下公式獲得BenefitRank值：ranki=Σnj∈nei(i)rankj·pj,i,]]>其中，Pij為從狀態(tài)i到狀態(tài)j的轉(zhuǎn)移概率。3、如權(quán)利要求2所述的基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法，其特征在于，從狀態(tài)i到狀態(tài)j的轉(zhuǎn)移概率Pij的計(jì)算公式變?yōu)椋簆i,j=wi,jαΣz∈nei(i)wi,zα]]>其中，α為弱鏈接參數(shù)。進(jìn)一步的，在所述的基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法中，在獲取BenefitRank值的步驟中，需同時(shí)滿意條件一：每條邊的權(quán)值必須大于零和條件二：弱鏈接參數(shù)α的值提前設(shè)定。進(jìn)一步的，在所述的基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法中，所述弱鏈接參數(shù)α的值大于等于零且小于等于一。進(jìn)一步的，在所述的基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法中，所述弱鏈接參數(shù)α的值為0。進(jìn)一步的，在所述的基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法中，所述獲取BenefitRank值的過程經(jīng)過若干次迭代獲得。進(jìn)一步的，在所述的基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法中，設(shè)定所述迭代次數(shù)為兩次。進(jìn)一步的，在所述的基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法中，在根據(jù)所述BenefitRank值做鏈路預(yù)測的步驟中，通過以下公式獲得相似性度量：SxyBrRA=Σz∈Γ(x)∩Γ(y)w(x,z)a+w(z,y)arank(z);]]>其中，x、y、z為結(jié)點(diǎn)，且結(jié)點(diǎn)z為結(jié)點(diǎn)x和結(jié)點(diǎn)y的共同鄰居，α為弱鏈接參數(shù)，rank(z)為結(jié)點(diǎn)z的BenefitRank值。本發(fā)明提供的基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法具有以下有益效果：本發(fā)明主要集中在蛋白質(zhì)相互作用加權(quán)網(wǎng)絡(luò)上的鏈路預(yù)測問題，很明顯地，在實(shí)際的各種類型的網(wǎng)絡(luò)中，結(jié)點(diǎn)之間的關(guān)系緊密程度不是完全一致的，在加權(quán)網(wǎng)絡(luò)上的鏈接預(yù)測要比在無權(quán)網(wǎng)絡(luò)上的鏈接預(yù)測更接近于實(shí)際。本發(fā)明是在加權(quán)的蛋白質(zhì)相互作用網(wǎng)絡(luò)上定義能夠準(zhǔn)確度量結(jié)點(diǎn)之間相似性的度量函數(shù)，并設(shè)計(jì)有效地鏈接預(yù)測算法，完成在加權(quán)網(wǎng)絡(luò)上的鏈接預(yù)測任務(wù)。附圖說明圖1是本發(fā)明基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法的流程圖；圖2是本發(fā)明基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法的獲得網(wǎng)絡(luò)中結(jié)點(diǎn)BenefitRank值得示例圖。具體實(shí)施方式以下將以圖式揭露本發(fā)明的復(fù)數(shù)個(gè)實(shí)施方式，為明確說明起見，許多實(shí)務(wù)上的細(xì)節(jié)將在以下敘述中一并說明。然而，應(yīng)了解到，這些實(shí)務(wù)上的細(xì)節(jié)不應(yīng)用以限制本發(fā)明。也就是說，在本發(fā)明部分實(shí)施方式中，這些實(shí)務(wù)上的細(xì)節(jié)是非必要的。此外，為簡化圖式起見，一些習(xí)知慣用的結(jié)構(gòu)與元件在圖式中將以簡單示意的方式繪示之。本發(fā)明是基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上的鏈路預(yù)測方法，因此先來定義何為BenefitRank：已知加權(quán)網(wǎng)絡(luò)G＝(V,E,W)，結(jié)點(diǎn)ni的BenefitRank值，用ranki表示，ranki的計(jì)算公式：另外，計(jì)算網(wǎng)絡(luò)結(jié)點(diǎn)的權(quán)威度，弱連接起到重要作用。為掌控弱鏈接對相似性度量的相對貢獻(xiàn)，在獲得結(jié)點(diǎn)的權(quán)威度即BenefitRank值時(shí)，引入自由參數(shù)。對于獲得每個(gè)結(jié)點(diǎn)權(quán)威度，需要滿足兩個(gè)條件：需求1：每條邊的權(quán)值必須大于零。需求2：當(dāng)計(jì)算每個(gè)結(jié)點(diǎn)的BenefitRank值時(shí)，弱鏈接參數(shù)α的值須提前設(shè)定。需求1保證每個(gè)結(jié)點(diǎn)到另外一個(gè)結(jié)點(diǎn)的轉(zhuǎn)移概率大于零而小于1.否則，當(dāng)獲得每個(gè)結(jié)點(diǎn)的轉(zhuǎn)移概率值的時(shí)候，可能會是無限大不合乎常理。需求2保證不同的類型的網(wǎng)絡(luò)可能對能不同的弱連接系數(shù)，在實(shí)際結(jié)點(diǎn)的權(quán)威度時(shí)，需要不斷調(diào)整。已知加權(quán)網(wǎng)絡(luò)G＝(V,E,W)，獲得每個(gè)結(jié)點(diǎn)的BenefitRank值必須滿足以上兩個(gè)需求。本發(fā)明將加權(quán)網(wǎng)絡(luò)模擬為馬爾科夫鏈M(MarkovChain)，同時(shí)考慮弱連接系數(shù)，從狀態(tài)i到狀態(tài)j的轉(zhuǎn)移概率Pij的計(jì)算公式變?yōu)椋簆i,j=wi,jαΣz∈nei(i)wi,zα.]]>請參考圖1，其是本發(fā)明基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法的流程圖。如圖1所示，本發(fā)明提供一種基于BenefitRanks在加權(quán)網(wǎng)絡(luò)上鏈路預(yù)測方法，包括以下步驟：步驟一：獲得BenefitRank值。在該步驟中，給定加權(quán)網(wǎng)絡(luò)圖G，假定設(shè)置弱鏈接參數(shù)α＝1，那么對于圖G中，在加權(quán)網(wǎng)絡(luò)上，每個(gè)節(jié)點(diǎn)ni的從狀態(tài)i轉(zhuǎn)移的狀態(tài)j的轉(zhuǎn)移概率Pij已知可以得到點(diǎn)ni的BenefitRank值，記作ranki。這個(gè)獲得BenefitRank的過程可以看作是在一個(gè)加權(quán)網(wǎng)絡(luò)上的一個(gè)隨機(jī)游走的過程，需要幾次迭代達(dá)到一個(gè)穩(wěn)定的狀態(tài)。ranki(k)是第k次迭代所計(jì)算BenefitRank值。起初設(shè)定ranki(0)為1，當(dāng)然ranki(0)也可以設(shè)置為任意常數(shù)c，則BenefitRank值的結(jié)果將是ranki(0)設(shè)置為1時(shí)候的倍，同時(shí)，根據(jù)弱鏈接理論，弱鏈接系數(shù)α可以從正到負(fù)調(diào)節(jié)。如圖2所示，第一次迭代，每個(gè)結(jié)點(diǎn)ni更新其BenefitRank值ranki(1),這時(shí)每個(gè)結(jié)點(diǎn)都已經(jīng)利用它的鄰居結(jié)點(diǎn)的信息。第二代輪迭代，每個(gè)結(jié)點(diǎn)可以間接通過其一階鄰居收集到其二階鄰居的信息，同時(shí)其一階鄰居也通過它的一階鄰居收集到二階鄰居的信息。因此，k輪迭代之后，結(jié)點(diǎn)ni更新獲得BenefitRank值ranki(k)，同時(shí)收集到其k階鄰居的信息。第一輪迭代，n6會從其一階鄰居{n4,n5,n7,n8,n10}獲取相似性信息。同樣，n4和n5結(jié)點(diǎn)能它們的鄰居交換信息。第二次迭代，n6能夠從其二階鄰居{n2,n9,n11}獲得其加權(quán)信息，因?yàn)榈谝惠喌湟浑A鄰居n4,n5,n7,n8,n10已經(jīng)利用{n2,n9,n11}。對于很大的復(fù)雜網(wǎng)絡(luò)，網(wǎng)絡(luò)越大計(jì)算代價(jià)也越大，因此對于不同的網(wǎng)絡(luò)可以提前設(shè)定迭代的次數(shù)。在一優(yōu)選的實(shí)施例中，開始，設(shè)置每個(gè)結(jié)點(diǎn)ni的初始BenefitRank值ranki(0)＝1。對于每個(gè)結(jié)點(diǎn)ni，計(jì)算它到鄰居結(jié)點(diǎn)nj的轉(zhuǎn)移概率pij，同時(shí)傳送信息給nj。例如，n6傳送到傳送0.0769到n5，到n10等等，同時(shí)，n6從其鄰居獲得到BenefitRank值信息。例如，n6結(jié)點(diǎn)從n5結(jié)點(diǎn)接受到BenefitRank的信息，直到從所有的鄰居獲得BenefitRank信息，n6會更新其BenefitRank值到rank6(1)。其計(jì)算過程如下：rank6(1)=Σj∈4,5,7,8,10rankj(0)·pj,i=1·p6,4+1·p6,5+1·p6,7+1·p6,8+1·p6,10=0.41.2+0.21.4+0.70.7+0.50.5+0.82.0=2.876]]>那么在第一輪迭代結(jié)束后，獲得相應(yīng)數(shù)值結(jié)果。下面進(jìn)行第二輪迭代后，結(jié)點(diǎn)根據(jù)第一輪迭代得到的值更新每個(gè)結(jié)點(diǎn)BenefitRank信息。例如，現(xiàn)在n2傳送到n5，同理，當(dāng)n5收到所有它的鄰居的BenefitRank值的信息，n5就可以更新其第二輪迭代得到的BenefitRank值。假設(shè)開始設(shè)定的迭代次數(shù)Υ＝2，n5將停止繼續(xù)更新其BenefitRank值，這時(shí)候獲得了網(wǎng)絡(luò)中所有結(jié)點(diǎn)經(jīng)過兩輪迭代得到的BenefitRank值見表1。表1步驟二：根據(jù)所述BenefitRank值做鏈路預(yù)測。傳統(tǒng)的基于網(wǎng)絡(luò)資源分配的策略的鏈路預(yù)測度量指標(biāo)RA，該方法考慮網(wǎng)絡(luò)中沒有直接相連的連個(gè)結(jié)點(diǎn)x和y，從x可以傳遞一些資源到y(tǒng)，而在此過程中，它們的共同鄰居就成為傳遞的媒介。假設(shè)每個(gè)媒介都有一個(gè)單位的資源并且將平均分配傳給它的鄰居，則y可以接受到的資源數(shù)定義為結(jié)點(diǎn)x和y的相似度。其定義的相似性度量公式如下：SxyRA=Σz∈Γ(x)∩Γ(y)1s(z)]]>這里z是結(jié)點(diǎn)x和y的共同鄰居，s(z)是結(jié)點(diǎn)z的度。事實(shí)上，資源分配策略主要思想是識別兩個(gè)未建立鏈接結(jié)點(diǎn)的共同鄰居，結(jié)點(diǎn)度高的共同鄰居會為兩個(gè)未建立鏈接的結(jié)點(diǎn)傳遞權(quán)值較少資源，未建立鏈接貢獻(xiàn)較少，反之，結(jié)點(diǎn)度低的會傳遞較多的資源，為建立鏈接貢獻(xiàn)較多。本發(fā)明提出應(yīng)用于無向加權(quán)網(wǎng)絡(luò)上的擴(kuò)展的基于資源分配策略的相似性度量，相似性度量公式如下：SxyBrRA=Σz∈Γ(x)∩Γ(y)w(x,z)a+w(z,y)arank(z)]]>同樣，這里z是結(jié)點(diǎn)x和y的共同鄰居，rank(z)是結(jié)點(diǎn)z的BenefitRank值。通過上述描述，本發(fā)明定義的相似性度量不同于傳統(tǒng)的應(yīng)用于無權(quán)網(wǎng)絡(luò)的經(jīng)典相似性度量。第一，本發(fā)明的相似性度量是應(yīng)用于無向加權(quán)網(wǎng)絡(luò)上；第二，本發(fā)明定義的相似性度量是通過在加權(quán)網(wǎng)絡(luò)上建立馬爾科夫模型，考慮了加權(quán)網(wǎng)絡(luò)上的弱鏈接效應(yīng)，對結(jié)點(diǎn)計(jì)算值加權(quán)定義的相似性度量；第三，本發(fā)明定義的相似性度量，形式上是根據(jù)未建立鏈接的兩個(gè)結(jié)點(diǎn)的共同鄰居，實(shí)質(zhì)上在計(jì)算值的時(shí)候，未建立鏈接的兩個(gè)結(jié)點(diǎn)的共同鄰居已經(jīng)收集到其一階鄰居、二階鄰居甚至高階鄰居的局部或者全局信息。這樣很明顯，當(dāng)設(shè)置弱鏈接系數(shù)α＝0時(shí)，在計(jì)算結(jié)點(diǎn)的BenefitRank值時(shí)，相當(dāng)于網(wǎng)絡(luò)所有邊的權(quán)值為1，既然網(wǎng)絡(luò)邊的權(quán)值相等，既是相當(dāng)于無權(quán)網(wǎng)絡(luò)。這樣本發(fā)明定義的鏈路預(yù)測方法其實(shí)既可以適用于加權(quán)網(wǎng)絡(luò)，也適用于無權(quán)網(wǎng)絡(luò)的鏈路預(yù)測。為了方便比較現(xiàn)存的方法WCN,WAA和WRA，依次詳細(xì)列出這些相似性度量方法：SxyWCN=Σz∈Γ(x)∩Γ(y)w(x,z)a+w(z,y)a]]>SxyWAA=Σz∈Γ(x)∩Γ(y)w(x,z)a+w(z,y)alog(1+s(z)).]]>雖然本發(fā)明已以實(shí)施方式揭露如上，然其并不用以限定本發(fā)明，任何熟習(xí)此技藝者，在不脫離本發(fā)明的精神和范圍內(nèi)，當(dāng)可作各種的更動與潤飾，因此本發(fā)明的保護(hù)范圍當(dāng)視后附的申請專利范圍所界定者為準(zhǔn)。當(dāng)前第1頁1 2 3