一种采用社团信息的链接预测方法

合集下载

链路预测的方法与发展综述

节如社交软件的好友推荐系统%网络超链接的预测以及
点种类多样以及网络演化过程复杂的特点#使得其研股市走向等' 准确的链路预测为复杂网络的进化研究
究充满了挑战' 但是#掌握了复杂网络的演化规律可工作提供了有力帮助' 因此#对复杂网络中的结构和
以帮助人们更好地掌控网络结构的变化趋势#因此#吸链路进行研究和建模是十分必要的'
测算法精确度的方法进行了介绍#最后对链路预测的
收稿日期!!"#& (") (#$
未来研究方向和发展前景进行了总结和展望'
网络模型介绍基金项目!国家自然科学基金"*#%%+""%#,#+)%"%$$
作者简介!张月霞"#$)&$#女#博士# 副教授#主要研究方向为移动通信%卫星通信和移动互联网&冯译萱"#$$+$#女#硕
性%基于网络拓扑结构%基于机器学习以及基于最大似然的方法#比较了+ 类预测方法的优劣#并概述了
几种常见的衡量链路预测算法精确度标准' 最后总结并展望了链路预测的未来研究方向和发展前景'
关键词!链路预测&复杂网络&相似性指标&网络结构
中图分类号文献标识码文章编号 !-.%$%''
!/''
!#""" (&&!$"!"#$$"! ("""& ("*
预测的研究中提出的方法#都会给节点之间的连边计算低出排一序#个排评在分最数前值面'的()#评并分把数所值有最节高点#的说评明分两数个值节按点链高接概率越大' 网络中各符号的定义如表# 所示'

链接预测算法在社交网络分析中的应用研究

链接预测算法在社交网络分析中的应用研究社交网络的发展以标志着信息传播方式的变革，同时也成为人们交流、互动以及获取信息不可或缺的途径。

因此，研究社交网络中人际关系的连通性和相互作用，对于了解社会现象和行为模式具有重要意义。

链接预测算法是社交网络分析中的一种常见技术，它能够通过对已有的网络结构以及节点间的属性进行分析，从而预测网络中不存在的链接，以便进行进一步的分析和预测。

一、链接预测算法的理论基础链接预测算法是建立在图论和机器学习技术的基础上的，其中最常用的技术就是基于图的链接预测方法。

基于图的链接预测方法是通过对网络中的节点以及节点之间连边的属性进行分析，从而预测出网络中未出现的联系，同时也能够识别出网络中节点之间的相似性和影响力。

其中，节点的属性包括其度数、邻居结构、拓扑信息以及节点的属性特征等，这些属性将会在链接预测算法中起到重要作用。

二、链接预测算法的应用场景链接预测算法的应用范围非常广泛，不仅可以用于研究社交网络中的人际关系，也可以用于预测企业和科学领域中的合作和创新。

在社交网络中，链接预测算法可以帮助我们了解社会网络中的影响力和传播路径，从而更好地研究社会现象。

例如，在社交网络中，通过对节点的度数和网络中整体的百度率进行分析，我们可以预测出节点之间的相互关系，从而为社交网络营销提供更好的资源投放和市场策略。

三、链接预测算法的研究主要方向在链接预测的研究中，主要包括预测模型的建立、特征提取、计算效率和评价指标的选择等方面。

其中，预测模型的建立是链接预测的核心，通过针对节点、关系、链接以及节点个人属性等因素的深入研究，为模型的构建提供依据。

特征提取则是从网络节点和边的信息中提取关键的表示特征，用于描述节点与边之间的相互关系，从而实现网络信息的进一步挖掘。

在计算效率方面，则要注意算法的复杂度和时间成本，尤其在处理大数据时更为关键。

最后，选择评价指标是为了评估预测模型的性能和效果，从而为模型优化和改进提供参考。

一种基于节点相似性的链接预测算法

摘要：针对社会网络中节点关系预测困难的问题，提出了一种新的链接预测算法：邻居关系权值算法。该算法将共同邻居节点与其他邻居节点之间的边赋予不同的权值，进而计算被预测节点之间的相似性。算法通过５个社会网络数据集进行实验，采用ＡＵＣ（ａｒｅａｕｎｄｅｒｔｈｅｒｅｃｅｉｖｅｒｏｐｅｒａｔｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｃｕｒｖｅ）指标和Ｐｒｅｃｉｓｉｏｎ指标评价其效果。实验表明新算法的预测准确率整体上高于已有的基于节点相似性的链接预测算法，同时该算法保持了较低的时间复杂度。关键词：社会网络；链接预测；节点相似性；邻居关系权值
Ｋｅｙｗｏｒｄｓ：ｓｏｃｉａｌｎｅｔｗｏｒｋ；ｌｉｎｋｐｒｅｄｉｃｔｉｏｎ；ｎｏｄｅｓｉｍｉｌａｒｉｔｙ；ｎｅｉｇｈｂｏｒｒｅｌａｔｉｏｎｓｈｉｐｗｅｉｇｈｔ
随着计算机技术的快速发展，人们开始使用计算机对社会网络进行相关的分析和深入的研究。现阶段，针对社会网络的链接预测成为了一个重要的研究热点。链接预测的目的是找到网络中没有被观察到的链接或在未来的一段时间内可能出现的链接＿１］。链接预测可以应用到科学研究、商业决策、好
ｓｏｃｉａｌｎｅｔｗｏｒｋｄａｔａｓｅｔｓ，ａｎｄｕｓｅｓＡＵＣ（ａｒｅａｕｎｄｅｒｔｈｅｒｅｃｅｉｖｅｒｏｐｅｒａｔｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｃｕｒｖｅ）ｉｎｄｅｘａｎｄｐｒｅｃｉｓｉｏｎｉｎｄｅｘｔＯｉｎｄｉ — ｃａｔｅｔｈｅｅｆｆｅｃｔ．Ｉｔｉｓｓｈｏｗｎｔｈａｔｔｈｅｎｅｗａｌｇｏｒｉｔｈｍｉｓｍｕｃｈｍｏｒｅｅｆｆｅｃｔｉｖｅｉｎｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｎｃｙｔｈａｎｔｈｏｓｅｋｎｏｗｎａｌｇｏｒｉｔｍｓｈ，ａｎｄｋｅｅｐｓｌｏｗｔｉｍｅｃｏｍｐｌｅｘｉｔｙ．

社交网络分析中的节点分类与链接预测研究

社交网络分析中的节点分类与链接预测研究随着社交网络的普及和发展，越来越多的人将其视为交流、传播和获取信息的主要平台。

这些社交网络中的用户可以建立关系并相互交流，形成一个复杂的社交网络系统。

在图论和机器学习领域，对这些社交网络进行节点分类和链接预测是一个重要的研究主题，它可以为了解社交网络的结构和社会关系，发掘用户兴趣和行为模式等方面提供有价值的信息。

节点分类节点分类可以被认为是一种具有分类标签的节点（例如某个用户）的分类工作。

这个标签可以是用户的职业、兴趣爱好、年龄、性别等。

将这些标签应用于节点分类问题可以为用户推荐适合他们兴趣和需求的内容、产品和服务。

将节点分类的算法和技术应用于社交网络中，可以对用户的属性进行分析和分类，从而更好地了解他们的行为和兴趣，为个性化的信息推荐和个性化的广告投放提供基础。

链接预测链接预测是另一个关键的研究领域。

在社交网络中，链接预测可以预测未来可能出现的社交连接，这些链接包含了更多的信息和特征，可以为网络中的用户提供更多的交流和沟通的机会。

例如，利用某些特征（如用户的朋友数、性别、年龄等）可以预测用户之间是否会建立联系，并发现潜在的联系（可能是用户从未预料到的）。

节点分类与链接预测的方法在社交网络中，节点分类和链接预测涉及到很多算法和技术。

其中，无监督学习方法和监督学习方法是两个最常用和基本的方法。

无监督学习方法是指使用未标记的数据，在没有标签或标签信息不完整的情况下，利用聚类、关联规则、谱分析、主成分分析、自组织映射和统计方法等技术进行节点分类和链接预测。

这种方法可以快速和有效地从大量的社交网络数据中发现有用的信息和规律。

监督学习方法是指使用已经标记的数据集作为训练数据，在此基础上使用分类算法、回归算法、支持向量机、决策树、神经网络、朴素贝叶斯和随机森林等技术进行节点分类和链接预测。

标记数据可以提供更准确的信息和结构，但也需要更多的先验知识，并且需要更多的时间和经验来构建和优化模型。

基于节点相似性的二阶链路预测方法

第 23卷第 1期2024年 1月Vol.23 No.1Jan.2024软件导刊Software Guide基于节点相似性的二阶链路预测方法刘臣，王嘉宾（上海理工大学管理学院，上海 200093）摘要：复杂网络中基于节点相似性的链路预测算法通常根据两个节点之间的相似度，预测节点对之间是否存在链路。

提出基于节点相似性的二阶链路预测方法，判别节点对之间是否存在未连接的节点，并补全节点对之间的二阶链路。

同时，提出二阶链路预测指标，计算已知节点与其他并不存在链路的节点之间的相似性，并构建二阶可达网络保留原始网络中的二阶链路信息。

实验结果表明，该方法能够在真实的网络数据中找到节点对之间的缺失节点，并补全可能存在的二阶链路。

不同的链路预测指标在4个不同网络中的性能表现有所不同，所有实验中的最佳精确率达83.7%。

关键词：复杂网络；二阶链路预测；可达网络；相似性指标；公共近邻DOI：10.11907/rjdk.222457开放科学（资源服务）标识码（OSID）：中图分类号：TP391；O157.5 文献标识码：A文章编号：1672-7800（2024）001-0097-06Second-order Link Prediction Method Based on Node SimilarityLIU Chen， WANG Jiabin（Business School， University of Shanghai for Science and Technology， Shanghai 200093， China）Abstract：Link prediction algorithm based on node similarity usually predicts whether there is a link between node pairs according to the simi⁃larity between two nodes. A second-order link prediction method is proposed to determine if there is an unconnected node between node pairs，and then complete the second-order links between node pairs. The second-order link prediction index is used to calculate the similarity be⁃tween known nodes and other nodes that do not have links， and the second-order reachable network is constructed to retain the second-order links in the original network. The experimental results show that the missing nodes between node pairs can be identified in real network data and their second-order links can be completed. The performance of different link prediction indices varies across four different networks， and the best precision rate reaches 83.7% in all experiments.Key Words：complex network； second-order link prediction； reachable network； similarity index； common neighbor0 引言现实世界中的很多复杂系统，如社交关系、交通运输、生物系统、信息系统等，都可以建模为网络。

社交网络分析算法的使用方法

社交网络分析算法的使用方法社交网络已成为人们日常生活中不可或缺的一部分。

通过社交网络，人们可以与朋友、家人、同事和陌生人进行交流和互动。

这些网络提供了丰富的信息和机会，也成为了理解社会关系和人际互动的重要资源。

为了深入了解社交网络中的关系和模式，社交网络分析算法应运而生。

社交网络分析算法是一种用于识别、分析和预测社交网络中的关系模式和趋势的方法。

它结合了图论、统计学和数据挖掘技术，适用于各种类型的社交网络，包括在线社交媒体平台、企业内部网络和科学研究网络等。

下面将介绍几种常用的社交网络分析算法及其使用方法。

1. 社区发现算法社区发现算法旨在识别社交网络中的紧密连接的群体或社区。

常用的算法包括Girvan-Newman算法、Louvain算法和谱聚类算法等。

使用这些算法的步骤如下：首先，导入社交网络数据并构建图模型。

每个节点表示一个用户或个体，边表示两个节点之间的关系。

然后，计算节点之间的相似度或连接强度。

这可以通过计算节点间的距离、共同邻居数或其他相似性指标来实现。

接下来，应用社区发现算法来检测网络中的社区。

这些算法基于节点之间的链接模式来确定社区结构。

最后，可视化社区结构，并根据分析结果进行进一步的解释和推断。

2. 影响力传播算法影响力传播算法用于研究在社交网络中如何传播信息、观点或行为。

其中比较有名的算法是独立级联模型（IC模型）和线性阈值模型（LT模型）。

使用这些算法的步骤如下：首先，确定某个节点或群体作为信息源。

然后，为每个节点分配传播概率或阈值。

这些值表示了节点接受信息并传播给邻居的能力。

接下来，使用影响力传播算法模拟信息在社交网络中的传播过程。

这些算法基于节点之间的连接和传播概率来模拟信息在网络中的扩散。

最后，分析信息传播的规律和影响因素，并根据结果确定改进传播策略的方法。

3. 关键节点识别算法关键节点识别算法用于识别对整个社交网络结构和信息传播具有重要影响力的节点。

常用的算法包括介数中心性、度中心性和PageRank算法等。

社交网络动态链接预测方法的研究

摘要随着社交网络应用普及，现实世界的人与人之间的关系可以抽象为社交网络中用户之间的链接。

链接预测的目标是根据社交网络中现有的用户关系和用户自身包含的属性，预测用户之间是否会生成新链接。

因此，通过预测社交网络新链接可以发现用户与用户之间可能产生的新关系。

这方面的研究具有重要的意义。

本文使用监督方法进行社交网络链接预测。

监督链接预测通常使用节点之间的接近度构成分类链接的特征。

然而，现有的监督链接预测方法仅仅说明它所使用的节点之间接近度，而没有给出选择这些接近度的理由。

因此，本文提出了一种方法用来评价节点间的接近度对预测结果的影响，并以此为根据进行接近度的选择。

此外，现有的链接预测方法仅仅考虑节点之间的拓扑结构接近度构成分类链接的特征，而忽视了社交网络中包含的节点属性信息。

因此，本文在基本的时间序列和流数据链接预测方法的基础上，提出了既考虑节点之间的拓扑结构接近度，又考虑节点之间的属性相似度(率)的链接预测方法。

最后，目前链接预测的绝大多数工作只进行了方法准确率的比较，需要对链接预测的结果以可视化的方式进行展示。

本文使用Python搭建了可视化的仿真系统，在共同作者数据集和微博转发数据集上对提出的方法进行了实验与测试。

结果表明，本文提出的考虑节点自身属性的链接预测方法和未考虑的方法相比，具有更高的准确率，并且该系统能在给定用户的情况下提供可能与他产生关系的用户。

关键词：动态链接预测，接近度，社交网络，相似度，用户属性IAbstractWith the popularity of social network apps, the relationship between people in the real world can be abstracted as a link between users in a social network. The goal of link prediction is to predict whether new links will be formed between users based on the existing relationships of users and their attributes. Therefore, predicting new links between nodes in social networks can be considered as predicting new relationship between people. This research is of great significance.This thesis uses supervised methods for link prediction in social networks. Supervised link prediction methods use proximity between nodes to form the features for classifying links. However, existing supervised link prediction methods only illustrate the metrics that evaluate the links and do not offer the reason for selecting these metrics. Therefore, this thesis proposes a method to evaluate the influence of metrics between nodes on prediction result and use this as a basis for metric selection. Besides, the existing link prediction methods only consider the topology metric between node pairs to compose the feature of the link, but ignore the node attribute information contained in social networks. Therefore, this thesis proposes a link prediction method that considers both topology proximities and the attribute similarities between nodes based on the basic time series and stream link prediction methods. Finally, existing works only compares the accuracy of methods, and the results of link prediction can be displayed in a visible way.The Python is used to build a visualized simulation system. The proposed method is experimented and tested based on co-author dataset and microblog dataset. The result shows that the proposed method that considers attributes of nodes has higher accuracy than the method without such consideration and the visualized system can recommend the possible friend to a given user. Key words: Dynamic link prediction, Proximity, Social networks, Similarity, User attributes目录第一章绪论 (1)1.1 研究背景与意义 (1)1.2 研究现状 (2)1.2.1 传统链接预测 (2)1.2.2 动态链接预测 (3)1.3 论文的主要工作 (3)第二章相关技术研究 (5)2.1 静态链接预测 (5)2.1.1 非监督方法 (5)2.1.2 监督方法 (8)2.2 动态链接预测 (9)2.2.1 基于时间序列的动态链接预测 (10)2.2.2 基于流数据的动态链接预测 (13)2.3 准确率评价指标 (16)2.4 本章小结 (17)第三章动态链接预测方法的研究 (18)3.1动态链接预测问题及方法概述 (18)3.2 节点间接近度分析 (18)3.2.1拓扑结构 (21)3.2.2 节点属性 (21)3.2.3 接近度选择 (22)3.2.4 接近度选择的评测 (25)3.3基于节点属性的动态链接预测 (29)3.3.1 时间序列链接预测 (30)3.3.2流数据链接预测 (33)3.4本章小结 (40)第四章动态链接预测仿真系统设计与实现 (41)4.1 仿真系统功能框图 (41)4.2数据采集模块 (42)4.3数据处理模块 (43)4.4链接预测模块 (44)4.5可视化模块 (46)4.5出现的问题及其解决方案 (47)4.6本章小结 (47)第五章动态链接预测仿真系统的测试与性能分析 (48)5.1 动态链接预测仿真系统的测试 (48)5.1.1 测试流程 (48)5.1.2 统计分析 (51)5.2 性能分析 (52)5.2.1 实验步骤 (52)5.2.2 ROC曲线分析 (53)5.3 本章小节 (60)第六章总结 (61)参考文献 (62)附录1 攻读硕士学位期间撰写的论文 (65)附录2 攻读硕士学位期间参加的科研项目 (66)致谢 (67)第一章绪论1.1 研究背景与意义互联网的日益普及给人们之间相互联系带来了极大的便利。

一文读懂社会网络分析(SNA)理论、指标与应用

一文读懂社会网络分析(SNA)理论、指标与应用开新坑！社交网络分析（又称复杂网络、社会网络，Social Network Analysis）是诞生于数学图论、计算机科学、物理学的交叉碰撞中的一门有趣的学科。

缘起：我研究SNA已经有近2年的时光，一路坎坷走来有很多收获、踩过一些坑，也在线上给很多学生讲过SNA的入门知识，最近感觉有必要将心得和基础框架分享出来，抛砖引玉，让各位对SNA感兴趣的同学们一起学习进步。

我的能力有限，如果有不足之处大家一起交流，由于我的专业的影响，本文的SNA知识可能会带有情报学色彩。

面向人群：优先人文社科类的无代码学习，Python、R的SNA 包好用是好用，但是对我们这这些社科的同学来说门槛太高，枯燥的代码首先就会让我们丧失学习兴趣。

特征：类综述文章，主要目的是以通俗的语言和精炼的框架带领各位快速对SNA领域建立起一个全面的认知，每个个关键概念会附上链接供感兴趣的同学深入学习。

开胃菜：SNA经典著作分享《网络科学引论》纽曼 (访问密码 : v9d9g3)2 概述篇：什么是网络？我们从哪些角度研究它？1) 认识网络SNA中所说的网络是由节点（node，图论中称顶点vertex）和边（edge）构成，如下图。

每个节点代表一个实体，可以是人、动物、关键词、神经元；连接各节点的边代表一个关系，如朋友关系、敌对关系、合作关系、互斥关系等。

最小的网络是由两个节点与一条边构成的二元组。

Les Miserables人际关系网络2) 构建网络就是建模马克思说过，“人的本质在其现实性上，它是一切社会关系的总和。

” 事实上，当我们想快速了解一个领域，无论该领域是由人、知识、神经元乃至其他实体集合构成，利用SNA的方法将实体及其相互关系进行抽象和网络构建，我们就完成了对某一领域的“建模”，这个模型就是网络图，拿科学网络计量学家陈超美的观点来说，借助网络图，“一图胜千言，一览无余”。

3) 社会网络类型此处展示常见且常用的网络类型名词，想要具体了解可以点击链接仔细查看！•网络中节点的来源集合异同o一模网络 one-modeo二模网络 two-mode•视角：•边权重o加权网络 weight networko无权网络 unweight networko符号网络 Signed network•关系是否有方向o有向网络 Directed networko无向网络 Undirected network4) 网络分析的5大中心问题SNA可以帮助我们快速了解该网络中的分布格局和竞争态势，“孰强孰弱，孰亲孰远，孰新孰老，孰胜孰衰”，这16字箴言是我学习SNA总结的精华所在，初中级甚至高级的社会网络分析学习几乎完全就是围绕着这四个方面开展，后面将要讲到的理论与方法皆为此服务，希望同学们可以重点关注。

信息技术试卷 (1)

一、单项选择题：1. 关于信息的下列说法中，正确的是A. 信息是具有价值的B. 信息是可以不依附于任何载体的C. 信息是永远有效的D. 信息是无法进行加工的2. 下列选项中不属于信息技术范畴的技术是A. 传感技术B. 通信技术C. 机械技术D. 电子计算机技术3. 关于信息技术的下列说法中，正确的是A. 信息技术是最近发明的技术B. 自从有了计算机和网络才有了信息技术C. 自从有了人类就有了信息技术D. 自从有了电话、广播、电视才有了信息技术4. 常用的搜索引擎按其工作方式可划分为A. 目录索引类搜索引擎和分类搜索引擎B. 关键字搜索引擎和全文搜索引擎C. 目录索引类搜索引擎和全文搜索引擎D. 分类搜索引擎和分段搜索引擎5. 如果你想在网上查找歌曲《隐形的翅膀》，下列选项中最有效的方法是A. 在浏览器的地址栏中输入"隐形的翅膀"(不含双引号)B. 在Google的网页搜索栏中输入"隐形的翅膀"(不含双引号)C. 在搜狐主页的搜索栏中输入"隐形的翅膀"(不含双引号)D. 在百度歌曲的搜索栏中输入"隐形的翅膀"(不含双引号)6. 下列说法中，不符合信息技术发展趋势的是A. 越来越友好的人机界面B. 越来越个性化的功能设计C. 越来越高的性能价格比D. 越来越复杂的操作步骤7. 下列选项中属于搜索引擎的是A. CutFTPB. FlashGetC. BaiduD. WinRAR8. URL中的"http"是指A. 文件传输协议B. 超文本传输协议C. 计算机主机名D. TCP/IP协议9. 用百度在因特网上搜索苏轼的《水调歌头》，下列选项中最有效的关键字是A. 苏轼宋词B. 宋词水调歌头C. 苏轼水调歌头D. 水调歌头10. 通过网络、电视和其他途径观看"神舟七号"发射直播的人数超过6亿人次，这个事例说明以下哪种说法是不正确的？A. 信息不能独立存在，需要依附于一定的载体B. 信息可以转换不同的载体形式而被存储和传播C. 信息可以被多个信息接受者接受并且多次使用D. 同一个信息不可以依附于不同的载体11. （建议删除）唐朝诗人韩愈名句"天街小雨润如酥，草色遥看近却无"，这体现了哪个季节的信息？A. 春B. 夏C. 秋D. 冬12. （建议删除）古人云："君之所以明者，兼听也；其所以暗者，偏信也。

2020年国家开放大学电大《信息技术》形成性考核及答案

判断题1、行为科学理论及管理理论丛林阶段的代表人物有梅奥、赫茨伯格等。

（）对2、近代信息管理活动时期，大量采用了网络、数据库、数据仓库、联机分析技术等先进技术手段与方法进行信息的管理。

（）对3、数据、信息、知识、智能存在由低到高、由浅入深的序列关系。

（）对4、组织内部的信息交流是为了向外界输出信息。

（）对5、控制器和运算器合称中央处理器，英文缩写为CPU。

对6、一个完整的硬件系统由如下三部分组成：运算器、控制器和输入设备。

对7、基础技术主要是指新材料和新能量技术。

对8、联合国经合组织将知识分为四种类型，分别是：Know-what（事实知识），；Know-why （原理知识）；Know-how（技能知识）；Know-who（人际知识）。

对9、网络传播模式的媒介是能实现彼此间数据共享的系统。

对10、第四传媒是指报纸。

对11、息交流的主要手段是语言交流。

对12、网络传播模式的媒介是能实现彼此间数据共享的系统。

（）对13、主体技术主要是指直接拓展人类信息器官的四大技术类型。

（）对14、咨询服务是知识的“扩大再生产”。

（）对15、按照主体的认识层次信息可以分为实在信息、先验信息和实得信息。

（）对16、知识的“波粒二相性”包括作为实体的知识和作为过程的知识。

（）对17、现代通信技术按其信号形式可分为有线通信和无线通信。

( ) 对18、四部分类法是近代信息管理活动时期使用的信息管理的方法。

对19、信息揭示的语言包括自然语言和人工语言。

（）对20、合适的检索表达式只需要检索词就能构成。

( ) 对21、布尔逻辑检索只含有逻辑“与”。

( ) 对22、自由文本方法属于传统印刷型媒体阶段的信息存储方法。

（）对23、ERP又称供应链管理。

( ) 错ERP是企业资源计划24、通过电子商务客户不能实现自助服务。

( ) 对25、电子商务的销售活动实现了跨时间跨空间的服务。

( ) 对26、SCM又称客户关系管理。

( ) 错27、CRM又称企业资源计划。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

未得到深入研究。针对这一现象提出一种新的链接预测方法，采用社团信息改进节点对样本的描述，并在监督学习框架中学习和预测。在现实数据集Ｆａｃｅｂｏｏｋ和ＡＣＦ中的实验结果表明，加入社团信息的链接预测方法获
ｏｎｌｙｉｍｐｒｏｖｅｄｔｈｅｓｔｒｕｃｔｕｒａｌｄｅｓｃｒｉｐｔｉｏｎｏｆｎｏｄｅｐａｉｒｓｉｎｎｅｔｗｏｒｋｂｙａｄｄｉｎｇｃｏｍｍｕｎｉｔｙｉｎｆｏｒｍａｔｉｏｎ．ｂｕｔａｌｓｏｕｓｅｄｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇｍｅｔｈｏｄｔｏｐｒｏｃｅｅｄｌｉｎｋｐｒｅｄｉｃｔｉｏｎ．ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎＦａｃｅｂｏｏｋａｎｄＡＣＦｄａｔａｓｅｔｓｓｈｏｗｔｈａｔｉｔｃａｎｒａｉｓｅｔｈｅａｃ — ｃｕｒａｃｙｏｆｌｉｎｋｐｒｅｄｉｃｔｉｏｎｂｙｕｓｉｎｇｃｏｍｍｕｎｉｔｙｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｎｅｔｗｏｒｋ．
ｔｗｅｅｎｕｎｌｉｎｋｅｄｎｏｄｅｓ．ａｎｄｉｔｈａｓｂｅｅｎｏｎｅｏｆｔｈｅｈｏｔｔｅｓｔｒｅｓｅａｒｃｈｐｒｏｂｌｅｍｓｉｎｄａｔａｍｉｎｉｎｇ．Ｃｏｍｍｕｎｉｔｙｓｔｒｕｃｔｕｒｅｓｅｘｉｓｔｐｒｅｖａ — ｌｅｎｔｌｙｉｎｓｏｃｉａｌｎｅｔｗｏｒｋｓ，ｔｈｅｙｈａｖｅｓｉｇｎｉｉｃｆａｎｔｉｍｐａｃｔｏｎ￣ｒｍｉｎｇｌｉｎｋｓ．Ｈｏｗｅ￣ｅｒ，ｐｅｏｐｌｅｈａｖｅｎｏｔｔｈｏｒｏｕｇｈｌｙｓｔｕｄｉｅｄｔｈｉｓｌｉｎｋｐｒｅｄｉｃｔｉｏｎｐｒｏｂｌｅｍ．Ｔｏｄｅａｌｗｉｔｈｔｈｅａｂｏｖｅ — ｍｅｎｔｉｏｎｅｄｐｈｅｎｏｍｅｎｏｎ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｄａｎｏｖｅｌｌｉｎｋｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄ．Ｉｔｎｏｔ
第３３卷第１２期２０１６年１２月
计算机应用研究
ＡｐｐｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＣｏｍｐｕｔｅｒｓ
Ｖｏ１．３３Ｎｏ．１２Ｄｅｃ．２０１６
一
种采用社团信息的链接预测方法水
得了更高的准确率。关键词：链接预测；社团发现；监督学习；社会网络分析
中图分类号：ＴＰ１８１
Байду номын сангаас
文献标志码：Ａ
文章编号：１００１ — ３６９５（２０１６）１２ — ３５３５．０４
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１ — ３６９５．２０１６．１２．００４
方彪，陈可佳，蔡小雨
（南京邮电大学计算机学院，南京２１０００３）
摘
要：链接预测研究如何利用网络中已有的信息预测可能存在的关系链接，目前已成为数据挖掘领域的热点
研究问题之一。社会网络中普遍存在社团结构，社团对链接的形成有重要的影响，但在大多数链接预测方法中
（ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒ，ＮａｎｇＵｎｉｖｅｒｓｉｔｙｆＰｏｏｓｔｓ＆Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｎａｎｊｉｎｇ２１０００３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｌｉｎｋｐｒｅｄｉｃｔｉｏｎｓｔｕｄｉｅｓｈｏｗｔｏｕｓｅｔｈｅｅｘｉｓｔｉｎｇｉｎｆｏｒｍａｔｉｏｎｉｎｔｈｅｎｅｔｗｏｒｋｔｏｐｒｅｄｉｃｔｔｈｅｐｏｔｅｎｔｉａｌｒｅｌａｔｉｏｎｓｈｉｐｂｅ —
Ｌｉｎｋｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｕｓｉｎｇｃｏｍｍｕｎｉｔｙｉｎｆｏｒｍａｔｉｏｎ
ＦａｎｇＢｉａｏ，ＣｈｅｎＫｅｊｉａ，ＣａｉＸｉａｏｙｕ