English
Link Prediction in Signed Networks based on The Similarity and Structural Balance Theory
文件大小：
550k
资源说明：### 基于相似性和结构平衡理论的有符号网络中的链接预测
#### 摘要与背景
在社交网络分析领域，对链接进行预测是一项重要的任务。尤其在那些能够区分正向关系（如朋友、支持等）和负向关系（如敌人、反对等）的有符号网络中，这项任务变得更加复杂而有趣。例如，在Epinions.com和Slashdot.com这样的网站上，用户之间的链接可以标记为正或负，这为理解网络动态提供了丰富的信息。然而，大多数现有的链接预测算法仅基于节点间的相似性来预测新的链接，这种做法在准确性和复杂性之间难以找到平衡。此外，这些方法通常只能预测链接的存在与否，而非同时预测链接的存在及其正负性质。
#### PSNBS：一种结合相似性和结构平衡理论的预测方法
针对上述问题，本文提出了一种名为PSNBS（基于平衡和相似性的有符号网络预测）的新方法。该方法旨在实现有符号网络中链接及其符号的同时预测。具体来说，PSNBS方法首先定义了两个节点之间的2步和3步相似性，这是通过将属性相似性与路径相似性相结合，并基于结构平衡理论选择最优的步长来实现的。然后，通过引入步长连通性因子来定义两个节点之间的总相似度，该因子在后续实验中被进一步确定以提高预测精度。根据两个节点之间的总相似度和负密度来完成链接和符号的预测。
#### 方法细节
**1. 属性相似性与路径相似性：**
- **属性相似性**：考虑节点自身的属性特征，如用户的兴趣爱好、年龄等。
- **路径相似性**：考察通过网络中的路径连接两个节点的可能性。
**2. 结构平衡理论的应用：**
- **2步相似性**：考虑到两点间通过一个中介节点连接时的情况，即通过一个中间节点形成三角形结构。
- **3步相似性**：进一步考虑通过两个中介节点连接的情况，增加了路径长度，同时也引入了更多关于网络结构的信息。
- **步长选择**：为了达到最佳的预测效果，需要选择合适的步长，即确定是采用2步还是3步相似性。
**3. 总相似度计算：**
- 引入步长连通性因子，它可以帮助量化不同步长下的相似性贡献，并据此计算出最终的总相似度。
**4. 链接与符号预测：**
- 根据计算出的总相似度以及节点间的负密度来进行链接和符号的预测。
#### 实验验证
为了验证PSNBS的有效性和准确性，作者在多个有符号网络数据集上进行了实验，使用AUC（曲线下面积）和精度作为评估指标。实验结果表明，PSNBS在链接预测方面表现出较高的准确率，同时在符号预测方面也优于传统的CN（共同邻居）和ICN（改进的共同邻居）算法。
#### 结论
PSNBS提供了一种有效的解决方案，用于解决有符号网络中的链接预测问题。通过综合考虑节点的属性相似性和路径相似性，并利用结构平衡理论来定义节点间的相似度，该方法能够在保持较低计算复杂度的同时实现高精度的链接和符号预测。这对于理解和预测社交网络中的复杂互动模式具有重要意义。未来的研究方向可能包括进一步优化相似性计算的方法、探索更复杂的网络结构以及应用到更多的实际场景中。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
