基于深度卷积神经网络的多节点间链路预测方法

摘要

目前,链路预测的研究主要针对拓扑结构变化缓慢的社交网络,集中在单节点对的链路预测.本文针对拓扑变化频繁的机会网络,提出一种基于模式分类的多节点间链路预测方法.该方法基于混沌时间序列理论确定机会网络的切片时间,采用状态图表征网络的拓扑结构,借助深度卷积神经网络在特征提取上的优势,从状态图的演化过程中提取机会网络的结构特征,根据当前特征推断未来链路的演化模式,实现多节点间的链路预测.在ITC(Imote-Traces-Cambridge)真实数据集上的实验结果表明,相比于基于CN(Common Neighbor)、AA (Adamic-Adar)、Katz等预测方法,本文方法具有更好的精度和稳定性.