English
Link prediction based on combined in uence and eective path
文件大小：
846k
资源说明：本文探讨了复杂网络中基于组合影响力和有效路径的链接预测问题。链接预测作为复杂网络分析中的一个关键问题，在学术和工业领域都受到了越来越多的关注。链接预测主要研究的是在无连接的两个节点之间可能形成链接的概率，这对于许多实际应用，如社交网络分析、生物信息学、推荐系统等领域都具有重要意义。
文章首先指出，大多数研究人员相信，当两个未连接的节点各自具有较大影响力时，它们之间可能会形成链接。通过对这一问题的深入研究，作者发现至少有一个具有较大影响力的节点能够轻松吸引其他节点。两个未连接节点的联合影响力会影响它们之间的相互吸引程度。作者提出，两个节点的联合影响力越大，它们形成链接的可能性就越高。因此，文章探讨了组合影响力对于基于相似性的链接预测所作的贡献。
进一步地，文章指出路径的传输能力决定了节点之间的通信可能性。与局部和全局路径相比，准局部路径在链接预测中更能平衡高准确性和低复杂性。基于此，文章关注于两个未连接节点之间的准局部路径的传输能力，即有效路径。在此基础上，本文提出了一种新的链接预测指标，称为基于组合影响力和有效路径的链接预测（CIEP）。
文章在12个真实的基准数据集上进行了大量实验，实验结果显示，在大多数情况下，CIEP能够提高预测性能。在介绍研究的背景和目标后，作者详细描述了他们的研究方法，通过实验证明了CIEP指标的有效性，并对不同情况下CIEP指标的表现进行了分析。实验结果表明，该指标在多个数据集上相比于其他现有方法具有更好的预测性能。
文章的研究成果为复杂网络中链接预测提供了新的视角和方法。它不仅加深了我们对链接预测机制的理解，还为相关领域的研究提供了宝贵的参考。通过探索节点影响力和路径传输能力在链接预测中的作用，这项研究为优化链接预测策略提供了重要的指导，促进了复杂网络分析技术的发展。
文章的研究也从侧面体现了复杂网络分析在现代信息科学中的重要性。链接预测的研究不仅有助于我们更好地理解和分析网络结构，还能够指导实际操作，例如优化网络设计、提高网络效率以及在特定应用中发现潜在的、有价值的数据连接。此外，本文提出的基于组合影响力和有效路径的链接预测方法能够应用于多种不同类型和规模的网络，这进一步拓宽了它的应用范围和实用价值。
在学术交流方面，文章的发表也代表了学术界对于链接预测问题的持续关注和深入研究。通过理论分析和实验验证，这项研究将推动学术界对于链接预测问题的探索达到新的高度，并为将来在此方向上的研究提供坚实的基础。
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。
