文献类型：期刊文章

作　　者：舒坚[1] 张学佩[1] 刘琳岚[2] 杨志勇[1]

SHU Jian;ZHANG Xue-pei;LIU Lin-Lan;YANG Zhi-yong(School of Software,Nanchang Hangkong University,Nanchang,Jiangxi 330063,China;School of Information Engineering,Nanchang Hangkong University,Nanchang,Jiangxi 330063,China)

机构地区：[1]南昌航空大学软件学院,江西南昌330063 [2]南昌航空大学信息工程学院,江西南昌330063

出　　处：《电子学报》

基　　金：国家自然科学基金(No.61762065;No.61363015;No.61501218;No.61501217);江西省自然科学基金(No.20171BAB202009;No.20171ACB20018)

年　　份：2018

卷　　号：46

期　　号：12

起止页码：2970-2977

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：目前,链路预测的研究主要针对拓扑结构变化缓慢的社交网络,集中在单节点对的链路预测.本文针对拓扑变化频繁的机会网络,提出一种基于模式分类的多节点间链路预测方法.该方法基于混沌时间序列理论确定机会网络的切片时间,采用状态图表征网络的拓扑结构,借助深度卷积神经网络在特征提取上的优势,从状态图的演化过程中提取机会网络的结构特征,根据当前特征推断未来链路的演化模式,实现多节点间的链路预测.在ITC(ImoteTraces-Cambridge)真实数据集上的实验结果表明,相比于基于CN(Common Neighbor)、AA(Adamic-Adar)、Katz等预测方法,本文方法具有更好的精度和稳定性.

关 键 词：机会网络 多节点 链路预测 卷积神经网络 模式分类  

分 类 号：TP393]