利用链路预测揭示合著网络演化机制

被引：16

作者：

张金柱

胡一鸣

机构：

[1] 南京理工大学经济管理学院

来源：

情报科学 | 2017年 / 07期

关键词：

合著网络; 演化机制; 链路预测; 相关性指标; 复杂网络;

D O I：

10.13833/j.cnki.is.2017.07.014

中图分类号：

G353.1 [情报资料的分析和研究]; O157.5 [图论];

学科分类号：

摘要：

【目的/意义】掌握合著网络的最佳演化机制及其演变能够更好的进行合著关系预测和推荐,进而为研究团队的人员选择和搭配提供建议和参考。【方法/过程】以共同邻居、到达路径、优先连接和随机游走共4类16种相关性指标表示合著网络演化机制,并运用链路预测的理论和方法系统全面的定量比较不同演化机制的优劣和时序变化,揭示合著网络的最佳演化机制及其变化并解析其成因。【结果/结论】在图书情报领域的实验证实:描述合著网络演化机制的最佳指标为AA(Adamic-Adar);不同时间段的相关性指标的预测准确率具有一定差异但总体趋势保持一致,并且最佳指标所属类别并未改变,表明合著网络演化机制具有较强的稳定性;对多种类别的合著网络演化机制成因及其改进方向进行了分析。

引用

页码：75 / 81

页数：7

共 13 条

[1] Friends and neighbors on the Web
Adamic, LA
Adar, E
[J]. SOCIAL NETWORKS, 2003, 25 (03) : 211 - 230
[2] Uncovering mechanisms of co-authorship evolution by multirelations-based link prediction. ZHANG J. Information Processing&Management . 2017
[3] Prediction of links and weights in networks by reliable routes. Zhao J,Miao L,Yang J, et al. Scientific Reports . 2015
[4] Uncovering the Mechanism of Knowledge Network Evolution by Link Prediction. Zhang J,Han T,Wang X. Geomatics and Information Science of Wuhan University . 2015
[5] Emergence of scaling in random networks. Barabasi A L,Albert R. Science . 1999
[6] Measuring multiple evolution mechanisms of complex netw orks. Zhang Q,Xu X,Zhu Y,et al. Scientific Reports . 2015
[7] Link prediction in social networks: the state-of-the-art[J]. WANG Peng,XU BaoWen,WU YuRong,ZHOU XiaoYu. Science China(Information Sciences). 2015(01)
[8] 利用链路预测推断网络演化机制
刘宏鲲
吕琳媛
周涛
[J]. 中国科学:物理学力学天文学, 2011, 41 (07) : 816 - 823
[9] 复杂网络链路预测
吕琳媛
[J]. 电子科技大学学报, 2010, (05) : 651 - 661
[10] 复杂网络在图情领域的研究和应用综述[J]. 张金柱,韩涛,王小梅. 报学报. 2012 (09)

← 1 2 →