扩散信号揭示隐藏连接：基于个人化PageRank信号的物理启发式链接预测框架
社会与信息网络
2025-11-25 v1 数据分析、统计与概率
摘要
复杂网络中的链接预测——即识别缺失或未来连接——是理解网络演化与功能的基石问题，但现有方法在异构拓扑结构下难以实现计算效率与理论严谨性之间的平衡。本工作引入一种物理原则驱动的框架，称为扩散距离与个人化PageRank（D-PPR），通过将节点建模为通过个人化PageRank向量在网络中传播的信号源，统一了静态拓扑与动态信息流。该方法通过图拉普拉斯控制的扩散距离来量化节点对节点间的相似性，从而将微观相互作用与宏观网络动力学桥接起来。在合成网络（巴拉阿斯-阿尔伯特模型、LFR模型）以及七个大规模真实网络（覆盖技术、生物和社交领域）上的系统性基准测试表明，D-PPR在性能上与当前方法高度竞争，尤其在稀疏和模块化网络中相较于代表性局部和全局启发式方法表现更佳。这些发现为以物理启发方式进行链接预测奠定了严谨基础，揭示了将动力学过程纳入结构相似性度量中，能够深入洞察网络连通性模式，为该领域的方法论进步和新理论视角提供了支持。
引用
@article{arxiv.2511.17569,
title = {Diffusion Signals Reveal Hidden Connections: A Physics-Inspired Framework for Link Prediction via Personalized PageRank Signals},
author = {Huilin Wang Wenjun Zhang Weibing Deng},
journal= {arXiv preprint arXiv:2511.17569},
year = {2025}
}