基于多维相似度属性的社会网络链接预测算法研究

链接预测是寻找社会网络中隐藏的和未来可能出现的链接，它对于分析社会网络具有重要意义。本文在

复杂网络研究是众多科学领域的一个重要分支，大量的学者致力于研究网络的特征、演化过程、拓扑结构与功能之间的关系。其中，社会网络分析近年来成为复杂网络分析中一个新的非常重要的研究方向，尤其随着多种社交媒体的产生与发展繁盛，社会网络分析对于研究事件演化、信息推荐、舆情管控等都具有重要的作用。社会网络中的链接预测主要是通过网络的已知信息，预测没有链接的两个节点发生链接的可能性，这种链接关系可能是已经存在但尚未被发现的，也可能是目前不存在，但是在不久的将来非常可能发生的。社会网络实体之间的关系分析对事件发展具有极其重要的作用，因而链接预测在现实世界中具有非常广泛的应用性，比如社交网络中的好友推荐，电商中的商品推荐，社会安全中的实体识别等等。

链接预测作为社会网络分析的一个重要研究方向，是一个交叉学科问题，涉及社会学、系统学、图形学等等，逐渐发展成为国内外学者的研究热点。经典方法都是将社会网络看作是一个节点和关系的集合，网络中的每个节点对应一个实体，每条边对应着用户之间的一种关系，链接预测就是基于这些实体和关系的特征进行。为了实现快速的关系预测，如何综合社会网络中的多维特征是研究者们一直在探索的问题。本文提出的基于多维相似度属性的社会网络链接预测算法，就是要分析社会网络中节点和边的多维相似度属性，通过机器学习的方法，实现对社会网络有效的链接预测。

2. 相关工作 对社会网络链接预测的现有研究方法主要集中在基于概率模型、基于监督学习和基于相似度三类。

基于相似性的算法是链接预测中最直接有效的方法，但是也具有很多的挑战性。比如节点相似性的定义本身就存在异议， 相似性指数的分类更是复杂。

相似性通常是通过两个节点之间的共同特征来衡量， 共同特征越多， 相似性越高， 则越有可能存在链接。

然而通常情况下， 能够直接得到的是网络拓扑结构， 节点的属性是隐藏的，纯粹基于拓扑结构的相似性指数往往是比较浅显的，因而基于结构相似性的链接预测准确率高低，往往与结构相似性所提出的指标以及目标网络所具有的拓扑特性的匹配程度相关。Lv等人曾在文[1]中归纳了基于网络结构相似性指标的链接预测方法， 并将这些指标归类为局部信息、路径、随机游走三大类，是对链接预测相似性指标比较系统全面的分类。现在对基于相似性的链接预测方法的分类有很多种方法，大致是基于两大类特征，即节点属性和路径信息。基于节点主要是基于公共邻居的相似度指标，比如CN、Jaccard、Salton 等等[2]。基于路径的方法则是主要考虑最短路径、随机游走[3]