کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7379094 1480130 2016 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Link prediction based on local information considering preferential attachment
ترجمه فارسی عنوان
پیش بینی پیوند بر اساس اطلاعات محلی با توجه به دلبستگی ترجیحی
کلمات کلیدی
پیش بینی پیوند، شبکه های پیچیده شاخص مشابهی، شباهت گره،
ترجمه چکیده
پیش بینی پیوند در شبکه های پیچیده توجه زیادی در بسیاری از زمینه ها به خود جلب کرده است. در این مقاله، یک همسایه معمولی به علاوه شاخص دلبستگی ترجیحی ارائه می شود تا احتمال ارتباط وجود دارد بین دو گره براساس اطلاعات محلی نزدیک ترین همسایگان. آزمایش های عددی در شش شبکه واقعی، اثربخشی و کارایی بالا شاخص جدید را در مقایسه با پنج شاخص شناخته شده و به طور گسترده پذیرفته نشان داد: همسایگان مشترک، شاخص تخصیص منابع، شاخص دلبستگی ترجیحی، شاخص مسیر محلی و شاخص کاتز. شاخص جدید پیش بینی دقیق رقابتی را با شاخص مسیر مسیر محلی و شاخص کاتز فراهم می کند در حالیکه پیچیدگی محاسباتی کمتری دارد و دقیق تر از دو شاخص دیگر است.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات فیزیک ریاضی
پیش نمایش مقاله
پیش بینی پیوند بر اساس اطلاعات محلی با توجه به دلبستگی ترجیحی
چکیده انگلیسی
Link prediction in complex networks has attracted much attention in many fields. In this paper, a common neighbors plus preferential attachment index is presented to estimate the likelihood of the existence of a link between two nodes based on local information of the nearest neighbors. Numerical experiments on six real networks demonstrated the high effectiveness and efficiency of the new index compared with five well-known and widely accepted indices: the common neighbors, resource allocation index, preferential attachment index, local path index and Katz index. The new index provides competitively accurate prediction with local path index and Katz index while has less computational complexity and is more accurate than the other two indices.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Physica A: Statistical Mechanics and its Applications - Volume 443, 1 February 2016, Pages 537-542
نویسندگان
,