论文部分内容阅读
在信息、生物和社会等领域存在着很多复杂网络,这些复杂网络中存在着对立关系,例如,信息领域中,用户在社交网站上可以对其他用户表达信任或不信任态度;社会领域中,人与人的关系存在朋友和敌人关系;国际关系存在同盟与敌对关系;生物领域中,神经元细胞之间存在促进和抑制关系。这些复杂网络都可以被看作是符号网络。研究者们越来越意识到,对这些存在对立关系的符号网络进行准确认识具有重要意义。例如,充分考虑符号网络上的正边和负边信息,能在语义网络上更准确地识别话题,也能在社交网站上对用户进行更准确的推荐等。总体来说,对符号网络的研究在社会领域、生物领域,特别是信息技术领域上呈现增长的趋势。 符号网络中研究领域有很多,例如符号预测、社区分割、网络结构特征、网络演化等,其中,符号预测是研究者的重要内容,能够推动个性化推荐的发展。为了提高符号预测的准确度,研究者们提出了各种各样的预测算法,主要分为两大类,基于矩阵的符号预测算法和基于网络结构的符号预测算法。虽然预测准确度提高了,但是时间复杂度也相应地提高。所以,在利用网络局部特征进行符号预测时,为了保证预测准确度高的同时时间复杂度低,本文设计了一个方法对符号预测算法进行优化。该方法首先研究在不同步长下的符号预测,随着选择的步长数增加,预测准确度会越来越高,但是时间复杂度也会越来越大,因此为了降低时间复杂度,设计实验得到在不同步长条件下的预测准确度和运行时间,然后分析出预测准确度与时间复杂度的关系,最后确定至多选择步长为3来进行预测就能得到令人满意的预测效果。为了进一步降低时间复杂度,本文接着改进该方法,结合节点重要度的知识,在进行符号预测时,考虑步长上的节点的重要程度,通过选择一些重要度较高的节点来进行符号预测,使得预测准确度与利用步长上所有节点得到的预测准确度相近。由于不必利用所有节点进行符号预测,所以这样就能进一步降低时间复杂度。 本文使用上述的方法进行实验,对符号预测算法进行优化,得到了合适的符号预测优化方案,使得预测准确高的同时时间复杂度低。