基于复杂网络中节点重要性的链路预测方法

简介：
本研究提出一种新颖的方法，利用复杂网络中的节点重要性进行链路预测。通过分析节点特性优化预测准确度，为社交网络、生物信息学等领域提供有力工具。 链路预测精度的提升是复杂网络研究中的一个核心问题之一。当前基于节点相似性的算法未能充分考虑网络节点的重要性，即它们在网络结构中的影响力。针对这一挑战，本段落提出了一种新的基于节点重要性的链路预测方法。 该方法在传统的局部相似性链路预测技术（如共同邻居(CN)、Adamic-Adar(AA) 和资源分配(RA) 指标）的基础上进行了改进，加入了度中心性、接近中心性和介数中心性等信息。从而提出了新的考虑节点重要性的CN、AA和RA指标。 我们在四个真实的数据集上对这一新算法进行了实验验证，并使用了AUC值作为链路预测精度的评价标准。结果显示，在这四个数据集中，改进后的算法都优于传统的共同邻居及其他对比方法，显示出在复杂网络结构分析中的更高准确性。