基于节点聚类系数的链接预测

在不完整复杂网络中高效且准确地预测缺失链接仍是一个挑战性问题。近期提出的CAR（Cannistrai-Alanis-Ravai）指标显示了局部链接/三角信息在提升链接预测精度上的威力。利用二级链接（即共同邻居之间的链接）信息，大多数经典相似性指标可得以改善。然而，计算二级链接的数量使得CAR指标效率不足。受采用局部链接/三角信息思想的启发，我们提出了一种包含更多局部结构信息的新的相似性指标。在我们的方法中，局部链接/三角结构信息可由共同邻居的聚类系数直接传达。聚类系数在估计共同邻居贡献方面具有良好有效性的原因在于，它利用了共同邻居的邻居之间存在的链接，且这些链接与该共同邻居的候选链接具有相同的结构位置。我们从五个不同领域抽取十个真实网络，用以测试我们的方法相对于经典相似性指标和近期提出的CAR指标的性能。采用两种估计量：精度（precision）和AUP，来评估链接预测算法的准确性。总体而言，我们的新指标仅能与CAR竞争，但对于不具有很高LCP-corr（一种估计共同邻居数量与共同邻居间链接数量之间相关性的度量）的网络，它是CAR的良好补充。此外，所提指标也比CAR指标更高效。