复合社交网络中的好友预测

好友预测是社交网络分析 (SNA) 中的一项重要任务，它可以帮助用户识别朋友并提高其活跃度。大多数现有方法基于用户的历史记录（如现有好友关系、社交互动等）来预测用户间的好友关系。然而现实中，大多数用户在单一网络中的好友数量有限，导致数据非常稀疏。稀疏性问题导致现有方法对稀有观测过拟合，并遭受严重的性能下降，这对于刚刚形成的新社交网络尤为如此。我们观察到，当今许多社交网络本质上是复合的，人们往往同时参与多个网络。此外，用户的好友关系总是相关的，例如他们在 Facebook 和 Google+ 上都是好友。因此，通过将这些重叠用户作为桥梁，其他网络中的好友知识可以帮助预测当前网络中的好友关系。这可以通过集体利用不同网络中的知识来实现。然而，由于每个独立网络都有其自身的属性，可能与其他网络不兼容或不一致，将所有网络简单合并为一个可能效果不佳。提出的解决方案是通过分层贝叶斯模型提取不同网络间的共同行为。该方法捕捉跨网络的共同知识，同时避免因网络差异带来的负面影响。实证研究表明，所提出的方法在九个真实世界社交网络数据集上，显著提高了好友预测的平均精度均值 (mean average precision)，优于最先进的基线方法。