基于改进蚁群优化算法与子图演化，提出了一种新型非监督社交网络链路预测（SE-ACO）方法。该方法首先在社交网络图中确定特殊子图；然后研究子图演化以预测图中的新链接，并用蚁群优化算法定位特殊子图；最后针对所提方法使用不同网络拓扑环境与数据集进行检验。结果表明，与其他无监督社交网络预测算法相比，所提SE-ACO方法在多数数据集上的评估结果较好，且运行时间较短，这表明图形结构在链路预测算法中起重要作用。

以往传统的链路预测方法大多数针对无向网络，而实际上大多数社交网络是有向的，并且没有考虑网络中同一节点对之间的重复边以及微观演化信息，因此不能较好地解决有向动态网络中的链路预测问题。针对有向网络，将节点对之间的重复边信息转换为该节点对之间连边的权值；接着采用了基于三元组模体的演化模型，对滑动窗口中相邻时间片的模体转换概率进行统计后，采用指数加权滑动平均法对其进行时序分析得到不同模体转换概率的预测矩阵，进而使用该矩阵对网络中的链边进行预测。这不仅充分利用了网络微观演化信息，而且解决了动态网络中重复边的问题。最后对实验结果进行分析发现，在高全局聚类系数高平均度的网络中AUC相比Triad Transition Matrix方法提高了近0.01，而相比CN方法提高更多。因此，所提方法能够较好地应用网络微观演化信息进行链路预测。

链接预测pyspark 用于链路预测的CNGFPyspark实现。 CNGF算法该有助于预测将来图中最可能连接的节点。 这可用于社交网络，以设想各种实体之间的连接。 与传统算法相比，该算法效率更高，因为它使用两个节点x和y的子图以及它们的公共邻居来预测将来的连接，而不是整个图。 它首先通过将子图中的公共邻居的度数除以整个图中该邻居的度数的对数来计算制导。 然后，它使用x和y的所有公共邻域的总和来计算相似度。 相似度越高，将来建立连接的机会就越大。 需要 Python 2.7以上 用法 要运行该程序，请克隆存储库并运行以下命令： $SPARK_HOME/bin/spark-submit --packages graphframes:graphframes:0.5.0-spark2.1-s_2.11 cngf.py file_path separator 它需要2个参数： fi

1.2，根据网络结构特征给出节点相似性度量指标 1.3，基于相似性在二分网络上进行链路预测 1.4，采用交叉验证的方法验证预测结果 1.5，画出ROC曲线来度量

人工智能-项目实践-社交网络-社交网络中的链路预测算法 社交网络上的链路预测实验 本项目代码包含以下几个链路预测算法： Variational Graph Auto-Encoders：一种用于图上无监督学习的端到端可训练卷积神经网络模型，也是本论文所研究的主要方向。 Node2Vec：一种基于skip-gram模型的方法，用于学习给定图内随机游走的节点嵌入。 Spectral Clustering：使用谱嵌入从邻接矩阵创建节点表示。 基线方法：Adamic-Adar， Jaccard Coefficient,，Preferential Attachment 环境依赖包 Python 3.6.6 tensorflow 1.12.0 networkx 2.2 scipy 1.2.1 scikit-learn 0.20.2 pandas 0.24.0 gensim 3.7.1 matplotlib 3.0.3 系统安装配置好Python环境后，可使用python setup.py install 安装依赖。

实验报告 分类技术——二分网络上的链路预测.docx

安全技术-网络信息-社区网络链路预测.pdf

People increasingly use social networks to manage various aspects of their lives such as communication, collaboration, and information sharing. A user’s network of friends may offer a wide range of important benefits such as receiving online help and support and the ability to exploit professional opportunities. One of the most profound properties of social networks is their dynamic nature governed by people constantly joining and leaving the social networks. The circle of friends may frequently change when people establish friendship through social links or when their interest in a social relationship ends and the link is removed. This book introduces novel techniques and algorithms for social network-based recommender systems. Here, concepts such as link prediction using graph patterns, following recommendation based on user authority, strategic partner selection in collaborative systems, and network formation based on “social brokers” are presented. In this book, well-established graph models such as the notion of hubs and authorities provide the basis for authority-based recommendation and are systematically extended towards a unified Hyperlink Induced Topic Search (HITS) and personalized PageRank model. Detailed experiments using various real-world datasets and systematic evaluation of recommendation results proof the applicability of the presented concepts.

基于复杂网络节点重要性的链路预测算法[J]. ，2016, 36(12) : 3251-3255

链路预测是网络分析的一个重要应用，网络结构在真实场景中随时间发生演变，节点间会产生新的联系或者终止连接，从而导致网络结构变化以及节点中内在的偏向发生偏移。为提升链路预测能力，提出一种基于时序特征的动态网络节点表示的链路预测算法，即每一时刻的节点表示向量由历史的表示向量计算得到，以反映节点在向量空间中的变化规律，同时结合节点间的高阶邻近特性，生成具有鲁棒性的节点向量来维护网络结构。在真实数据集上的实验结果表明，与TNE、DHPE等算法相比，该算法在链路预测任务上的预测性能具有明显提升，适用于大规模的动态网络。