一种基于局部朴素贝叶斯的标签角色链路预测算法制造技术

本发明专利技术公开了一种基于局部朴素贝叶斯的标签角色链路预测算法，包括S1、计算每个节点的标签系统；S2、根据朴素贝叶斯的条件独立假设，计算两个节点之间每个共同邻居节点的角色值；S3、计算节点标签系统中每种标签的比重值；S4、将相同的标签在各自标签系统中对应标签的权重做一个累加，得到两节点各自关于标签的相似性权重；S5、计算节点吸引度的值。本发明专利技术实现了既在LNB模型的基础上引入了标签，又在TA模型的基础上加入角色函数、共同邻居、具体标签相似，结合了两个模型算法的优点，提高了算法的准确性，在对复杂网络的研究和其他领域的应用方面都具有重要意义。

A link prediction algorithm of tag role based on local naive Bayes

【技术实现步骤摘要】
一种基于局部朴素贝叶斯的标签角色链路预测算法
本专利技术属于链路预测的
，具体涉及一种基于局部朴素贝叶斯的标签角色链路预测算法。
技术介绍
随着网络应用的普及，互联网作为一种更加便捷的消费途径被广大网民采用，链路预测问题因其重大的实际应用价值，受到不同领域拥有不同背景的科学家关注。在生物领域的研究中，例如蛋白质相互作用网络和新陈代谢网络，节点之间是否存在连接，是需要通过大量实验结果进行推断的。已知的实验结果仅仅揭示了巨大网络的冰山一角，以蛋白质相互作用网络为例，酵母菌蛋白质之间80％的相互作用仍然未知，而对于人类自身，知道的仅有可怜的0.3％。由于揭示这类网络中隐而未现的链接需要耗费高额的实验成本，如果能够事先在已知网络结构的基础上设计出精确的链路预测算法，再利用预测的结果指导试验，就有可能提高实验的成功率从而降低试验成本，并加快揭开过类网络真实面目的步伐。链路预测技术可应用于任何可以将实体及其间关系抽象成网络形式的系统中，如在线社交网络、电子商务网站等，从而产生可观的商业价值。近几年在线社交网络发展非常迅速，链路预测可以基于当前的网络结构去预测哪些现在尚未结交的用户“应该是朋友”，并将此结果作为“朋友推荐”发送给用户。如果预测足够准确，显然有助于提高相关网站在用户心目中的地位，从而提高用户对该网站的忠诚度。自然界中存在的大量复杂系统都可以通过形形色色的网络加以描述。一个典型的网络是由许多节点与连接两个节点之间的一些边组成的，其中节点用来代表真实系统中不同的个体，而边则用来表示个体间的关系，往往是如果两个节点之间具有某种特定的关系则连成一条边，反之则不连边。网络中的链路预测是指如何通过已知的网络节点以及网络结构等信息，预测网络中尚未产生连边的两个节点之间产生连接的可能性。这种预测既包含了对未知链接(网络中实际存在但尚未被我们探测到的链路)的预测，也包含了对未来链接(网络中目前不存在，但应该存在或者未来很可能存在的链路)的预测。而现有LNB模型中的角色函数将共同邻居的角色进行区分，但只利用了节点的结构信息，没有考虑标签的作用。TA模型引入了标签系统和熵，把邻居节点的标签也考虑进来，并用熵量化了标签系统的同质性，但没有考虑标签的角色性。参考文献：[1]Z.Liu，Q.-M.Zhang，L.Lü，T.Zhou，Linkpredictionincomplexnetworks：alocalnaiveBayesmodel，Europhys.Lett.96(4)(2011)48007.[2]Wang，J.，Q.Zhang，andT.Zhou，Tag-awarelinkpredictionalgorithmincomplexnetworks.PhysicaA-statisticalMechanicsandItsApplications，2019.523：p.105-111.
技术实现思路
本专利技术的目的在于针对现有技术中的上述不足，提供一种基于局部朴素贝叶斯的标签角色链路预测算法，以解决或改善上述的问题。为达到上述目的，本专利技术采取的技术方案是：一种基于局部朴素贝叶斯的标签角色链路预测算法，其包括：S1、计算每个节点的标签系统；S2、根据朴素贝叶斯的条件独立假设，计算两个节点之间每个共同邻居节点的角色值；S3、计算节点标签系统中每种标签的比重值；S4、将相同的标签在各自标签系统中对应标签的权重做一个累加，得到两节点各自关于标签的相似性权重；S5、计算节点吸引度的值。优选地，步骤S1中计算每个节点的标签系统为：其中，Γ(vi)是节点vi的邻居集合，节点j表示为vj，Tj为节点vj的标签集合。优选地，步骤S2根据朴素贝叶斯的条件独立假设，计算两个节点之间每个共同邻居节点的角色值Rw为：其中，P(A1|w)表示以节点vw为共同邻居的节点对之间有链接的概率，P(A0|w)表示以节点vw为共同邻居的节点对之间没有链接的概率，NΔw和N∧w分别表示以节点vw为共同邻居的节点对中相连接的节点对数量和不相连的节点对数量，显然NΔw+N∧w＝kw(kw-1)/2，其中，kw为节点vw的度，当节点vw的集聚系数为零，即NΔw＝0，vw节点的角色函数RW＝0，这意味着该节点的角色值为0，显然不合理的；为避免这种情况，将角色函数的分子和分母分别加1，得到：优选地，步骤S3计算节点标签系统中每种标签的比重值为：其中，Vi(t)为节点vi标签系统中每类标签的比重值，如果t∈Tj，δ(t，Tj)＝1，否则，δ(t，Tj)＝0；如果vj∈Oij，j等于w，否则，β(w，Oij)＝1。优选地，步骤S4中将相同的标签在各自标签系统中对应标签的权重做一个累加，得到两节点各自关于标签的相似性权重为：其中，pi为vi与vj标签系统的交集在vi标签系统中对应标签权重的累加。优选地，步骤S5计算节点吸引度的值为：其中，ki为节点vi的度，pi为vi与vj标签系统的交集在vi标签系统中对应标签权重的累加，kj为节点vj的度，pj为vi与vj标签系统的交集在vj标签系统中对应标签权重的累加。本专利技术提供的基于局部朴素贝叶斯的标签角色链路预测算法，具有以下有益效果：本专利技术通过计算量化了标签系统中每一类标签的权重，以此来表示该节点的标签组成及对应占比；在计算两节点的相似性时，因为标签相同更倾向连接，我们会具体到是哪些标签相同，并将两节点都相同的标签对应到各自的标签系统中，分别将对应的标签的权重做一个累加，各自得到用来表示标签系统相似性的值。本专利技术实现了既在LNB模型的基础上引入了标签，又在TA模型的基础上加入角色函数、共同邻居、具体标签相似，结合了两个模型算法的优点，提高了算法的准确性，在对复杂网络的研究和其他领域的应用方面都具有重要意义。附图说明图1为基于局部朴素贝叶斯的标签角色链路预测算法的标签系统及相关计算图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。根据本申请的一个实施例，参考图1，本方案的基于局部朴素贝叶斯的标签角色链路预测算法，包括：S1、计算每个节点的标签系统；S2、根据朴素贝叶斯的条件独立假设，计算两个节点之间每个共同邻居节点的角色值；S3、计算节点标签系统中每种标签的比重值；S4、将相同的标签在各自标签系统中对应标签的权重做一个累加，得到两节点各自关于标签的相似性权重；S5、计算节点吸引度的值。以下对上述步骤进行详细说明：首先，受TA预测模型的启发，提出了T本文档来自技高网...

【技术保护点】
1.一种基于局部朴素贝叶斯的标签角色链路预测算法，其特征在于，包括：/nS1、计算每个节点的标签系统；/nS2、根据朴素贝叶斯的条件独立假设，计算两个节点之间每个共同邻居节点的角色值；/nS3、计算节点标签系统中每种标签的比重值；/nS4、将相同的标签在各自标签系统中对应标签的权重做一个累加，得到两节点各自关于标签的相似性权重；/nS5、计算节点吸引度的值。/n

【技术特征摘要】
1.一种基于局部朴素贝叶斯的标签角色链路预测算法，其特征在于，包括：
S1、计算每个节点的标签系统；
S2、根据朴素贝叶斯的条件独立假设，计算两个节点之间每个共同邻居节点的角色值；
S3、计算节点标签系统中每种标签的比重值；
S4、将相同的标签在各自标签系统中对应标签的权重做一个累加，得到两节点各自关于标签的相似性权重；
S5、计算节点吸引度的值。


2.根据权利要求1所述的基于局部朴素贝叶斯的标签角色链路预测算法，其特征在于，所述步骤S1中计算每个节点的标签系统为：



其中，Γ(vi)是节点vi的邻居集合，节点j表示为vj，Tj为节点vj的标签集合。


3.根据权利要求1所述的基于局部朴素贝叶斯的标签角色链路预测算法，其特征在于，所述步骤S2根据朴素贝叶斯的条件独立假设，计算两个节点之间每个共同邻居节点的角色值Rw为：



其中，P(A1|w)表示以节点vw为共同邻居的节点对之间有链接的概率，P(A0|w)表示以节点vw为共同邻居的节点对之间没有链接的概率，NΔw和N∧w分别表示以节点vw为共同邻居的节点对中相连接的节点对数量和不相连的节点对数量，显然NΔw+N∧w＝kw(kw-1)/2，其中，kw为节点vw的度，当节点vw的集聚系数为零，...

【专利技术属性】
技术研发人员：蔡彪，李蕊岑，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：四川;51