● 摘要
链路预测是指基于网络当前已知的结构和节点属性信息，对已经存在但尚未被发现或者将来有可能产生的边进行分析和预测。该问题具有重要的理论意义和应用价值，可用于生物网络结构分析、社交网络好友推荐等诸多方面。当前针对链路预测的工作主要关注于无权网络，对加权网络的研究相对较少。而网络中的天然权重在预测中往往会表现出弱关系现象。本文以提高加权链路预测指标的准确率为出发点，建立优化学习目标，对网络中已有的链接关系强度进行建模。基于构造的加权网络，为链路预测监督学习框架提取多种节点间特征；针对网络中正负实例的不均衡特性，采用一类学习方案提高预测准确率。
本文的主要研究成果如下：
1) 提出了优化学习模型，对网络中已有的链接关系进行赋权，克服了现有加权指标利用天然权重易表现出的弱关系现象，提升了加权指标的链路预测准确率。此外，对现有节点关系指标进行线性变换，根据优化模型确定指标权重，定义了可以更好地描述网络链接形成机制的新指标。
2) 在建立的加权网络中，根据相对权重的不对称性，本文提出了无向网络中节点层次划分算法。发现处于相近层次的网络节点之间链接较为紧密，而层次差异较大的网络节点之间链接相对稀疏。
3) 基于节点关系强度和层次结构特征，提取多种特征加入到链路预测监督学习框架中，在真实网络数据上的实验发现，关系强度信息的利用提升了预测精度。此外，本文通过一类学习方案（OC-SVM），解决了监督学习框架下因正负实例分布不均衡而导致的学习效果不佳的问题，多种分类器的对比实验表明OC-SVM具有更高的准确率。