刘 思，刘 海，2，陈启买，贺超波

(1.华南师范大学 计算机学院，广州 510631； 2.广东省高性能计算重点实验室，广州 510033；3.仲恺农业工程学院 信息科学与技术学院，广州 510225)

(*通信作者电子邮箱liuhai@m.scnu.edu.cn)

基于网络表示学习与随机游走的链路预测算法

刘 思1，刘 海1，2*，陈启买1，贺超波3

(1.华南师范大学 计算机学院，广州 510631； 2.广东省高性能计算重点实验室，广州 510033；3.仲恺农业工程学院 信息科学与技术学院，广州 510225)

(*通信作者电子邮箱liuhai@m.scnu.edu.cn)

现有的基于随机游走链路预测指标在无权网络上的转移过程存在较强随机性，没有考虑在网络结构上不同邻居节点间的相似性对转移概率的作用。针对此问题，提出一种基于网络表示学习与随机游走的链路预测算法。首先，通过基于深度学习的网络表示学习算法——DeepWalk学习网络节点的潜在结构特征，将网络中的各节点表征到低维向量空间；然后，在重启随机游走(RWR)和局部随机游走(LRW)算法的随机游走过程中融合各邻居节点在向量空间上的相似性，重新定义出邻居节点间的转移概率；最后，在5个真实数据集上进行大量实验验证。实验结果表明：相比8种具有代表性的基于网络结构的链路预测基准算法，所提算法链路预测结果的AUC值均有提升，最高达3.34%。

链路预测；相似性；重启随机游走；局部随机游走；网络表示学习

0 引言

现实世界中存在大量的复杂系统都可以通过网络形式来体现，其节点代表真实系统中不同的实体，连边代表实体间的联系。链路预测是指通过已知的网络结构和属性等信息,预测网络中尚未产生连接的两个节点间产生连接的可能性[1]。……