融合结构和聚类的对称非负矩阵分解链路预测

摘要

大部分链路预测算法仅单一考虑节点聚类或链接聚类而忽略网络结构与聚类内在关联性导致预测准确度下降.针对此问题，提出基于对称非负矩阵分解(SNMF)链路预测框架融合多类型结构和聚类信息捕获网络保持网络局部、全局以及节点和链接聚类.首先，融合节点和链接聚类系数(NEC)捕获节点邻域相关联程度，再将无向无权3个基于局部相似度方法共同邻居(CN)、资源分配(RA)和Adamic-Adar(AA)与聚类相融合同时保持结构和聚类；其次，将邻接矩阵映射到低维潜在空间，利用图正则化融合以上信息分别提出3个链路预测模型即SNMF-NEC-CN、SNMF-NEC-AA和SNMF-NEC-RA;此外，通过迭代更新规则学习所提模型参数，获得最优预测概率矩阵.在6个网络上与现有代表性方法比较，实验结果显示所提模型AUC和F1值分别提高了22%和11.4%.

关键词

链路预测 / 对称非负矩阵分解 / 局部结构 / 节点和链接聚类

基金资助

福建省自然科学基金(2021J011146); 武夷学院引进人才科研启动基金(YJ202017)