融合朴素贝叶斯方法的复杂网络链路预测
朴素贝叶斯在网络安全中的应用(八)
朴素贝叶斯在网络安全中的应用随着互联网的普及和信息技术的不断发展，网络安全问题日益突出，各种网络威胁和攻击层出不穷，给互联网用户的信息安全带来了严重的威胁。
因此，如何有效地保护网络安全成为了当下亟需解决的问题。
朴素贝叶斯算法作为一种基于概率统计的分类方法，在网络安全领域也有着广泛的应用。
本文将从朴素贝叶斯算法的基本原理、在网络安全中的应用以及未来发展趋势等方面进行论述。
一、朴素贝叶斯算法的基本原理朴素贝叶斯算法是一种基于贝叶斯定理与特征条件独立假设的机器学习算法。
其基本原理是通过计算给定特征下某个类别的概率，并基于此进行分类。
在网络安全领域，朴素贝叶斯算法可以根据已有的网络流量数据，通过计算各种特征在不同类别下的概率，来判断当前网络流量的类别，从而进行威胁识别和安全防护。
二、朴素贝叶斯算法在网络安全中的应用1. 垃圾邮件过滤朴素贝叶斯算法在垃圾邮件过滤方面有着广泛的应用。
通过对已有的邮件数据进行学习，可以计算出各个词语在垃圾邮件和正常邮件中出现的概率，从而对新收到的邮件进行分类。
这种方法简单高效，可以有效地过滤掉大量的垃圾邮件，提高用户的邮件使用体验。
2. 恶意软件检测在网络安全领域，朴素贝叶斯算法也被广泛应用于恶意软件检测。
通过对恶意软件样本进行特征提取和学习，可以建立恶意软件的分类模型，进而对新的未知样本进行检测和识别。
这种方法可以有效地提高恶意软件检测的准确率和效率，保护用户的信息安全。
3. 入侵检测朴素贝叶斯算法还可以应用于网络入侵检测。
通过对网络流量数据进行特征提取和分类模型的训练，可以实现对网络流量的实时监测和识别，及时发现并应对网络入侵行为，保障网络的安全。
三、朴素贝叶斯算法在网络安全中的优势1. 高效性朴素贝叶斯算法在网络安全中的应用具有高效性，能够在短时间内对大规模的数据进行分类和识别，快速响应各种网络威胁和攻击。
2. 准确性通过对大量的样本数据进行学习和训练，朴素贝叶斯算法可以建立准确的分类模型，对网络安全事件进行准确地识别和分类，降低误报率和漏报率。
基于模体的朴素贝叶斯链路预测方法
基于模体的朴素贝叶斯链路预测方法
曾茜;韩华;马媛媛
【期刊名称】《计算机工程》
【年(卷),期】2022(48)10
【摘要】在具有模体特征的食物链网络、社交网络中,局部朴素贝叶斯(LNB)的链路预测方法通过准确区分每个共邻节点的贡献以提高链路预测的精确度,但忽略了每个共邻节点对所在路径的贡献不同以及网络模体结构对链接形成的作用。
针对LNB链路预测方法存在的局限性问题,结合路径模体特征与朴素贝叶斯理论,提出基于模体的朴素贝叶斯链路预测方法。
定义模体密度以量化路径结构上模体的聚集程度。
考虑路径结构上模体密度对链接形成的影响,构建每条路径的角色贡献函数,以量化每条路径结构的模体特征对节点相似性的影响。
在此基础上,根据朴素贝叶斯理论与角色贡献函数推导节点相似性指标。
在Football、USAir、C.elegans、FWMW、FWEW和FWFW 6个真实网络上进行实验,结果表明,该方法能有效提高预测性能且具有较优的鲁棒性,其中在具有显著模体特征的FWMW、FWEW、FWFW网络上,相比现有相似性指标中较优的Katz指标,所提相似性指标的AUC值提升了2%~7%。
【总页数】8页(P95-102)
【作者】曾茜;韩华;马媛媛
【作者单位】武汉理工大学理学院
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于模体演化的时序链路预测方法
2.有向动态网络中基于模体演化的链路预测方法
3.基于模体演化与社区一致性的时序链路预测方法
4.基于四阶模体的有向网络链路预测方法
5.基于模体演化的多因子动态链路预测方法
因版权原因，仅展示原文概要，查看原文内容请购买。
复杂网络的链路预测算法及其应用研究
复杂网络的链路预测算法及其应用研究复杂网络的链路预测算法及其应用研究随着信息化时代的到来和互联网的广泛应用，网络结构日益复杂。
网络的复杂性使得链路预测成为了一个重要而复杂的问题。
链路预测是指通过已知网络的拓扑结构，预测出未知节点之间潜在的连接关系。
在现实生活中，链路预测算法在社交网络、信任网络、交通网络、生物网络等领域都有着重要的应用。
本文将重点介绍复杂网络的链路预测算法及其应用研究。
首先，我们需要了解什么是复杂网络。
复杂网络是由大量节点和节点之间的连接构成的，节点之间的连接关系可以用图形化的方式表示出来。
其中，节点代表网络中的实体，连接代表节点之间的关系。
复杂网络的拓扑结构既有规则性也有随机性，在真实网络中都能体现出来。
复杂网络的特点包括小世界性、无标度性、社区结构以及同配性等。
链路预测算法在复杂网络研究中具有重要的作用。
链路预测算法可以帮助我们预测网络中不存在的连接关系，并帮助我们更好地理解网络的结构和动态变化。
链路预测算法主要分为基于相似性的方法、基于机器学习的方法和基于传播模型的方法等。
基于相似性的链路预测方法主要利用已知连接关系的相似性来预测未知连接关系。
其中，常用的相似性度量方法包括共同邻居法、Jaccard系数、Katz相似性指数等。
共同邻居法指出，节点A和节点B的共同邻居越多，节点A和节点B之间存在连接的概率就越大。
Jaccard系数是用于计算两个节点之间共同邻居的比例，比例越大，两个节点之间存在连接的概率也越大。
Katz相似度指数则考虑了共同邻居的多度传递作用，加权考虑了接近距离的节点和达到距离的节点之间的连接概率。
基于机器学习的链路预测方法利用机器学习算法构建预测模型，从而预测未知连接关系。
通常，该方法首先提取网络中节点的特征，并将其作为输入特征。
然后，利用训练集的已知连接关系和节点特征进行特征学习和模型训练。
最后，通过预测模型，对未知连接进行预测。
常用的机器学习算法包括支持向量机（SVM）、决策树（Decision Tree）、随机森林（Random Forest）等。
朴素贝叶斯在社交网络分析中的应用(Ⅱ)
朴素贝叶斯在社交网络分析中的应用在当今数字化社会中，社交网络已经成为人们日常生活的一部分。
人们通过社交网络平台进行信息交流、社交互动以及展示自己的生活状态。
然而，社交网络中所涵盖的信息量庞大，要想从中挖掘出有价值的信息并进行有效的分析，需要借助一些专业的技术手段。
朴素贝叶斯算法就是其中之一，它在社交网络分析中有着广泛的应用。
首先，我们来了解一下朴素贝叶斯算法的基本原理。
朴素贝叶斯算法是一种基于概率统计的分类方法，它基于贝叶斯定理和特征条件独立假设，通过对已知数据进行学习，然后利用学习到的模型对未知数据进行分类。
在社交网络分析中，朴素贝叶斯算法可以用于文本分类、情感分析等方面。
其次，朴素贝叶斯算法在社交网络文本分类中的应用。
社交网络中存在大量的文本信息，包括用户发布的动态、评论、回复等。
对这些文本信息进行分类可以帮助我们更好地理解用户的兴趣和偏好，从而为用户提供更加个性化的推荐服务。
朴素贝叶斯算法通过学习文本的特征词频率，可以对文本进行分类，将其归为不同的类别，比如情感类别、主题类别等。
再次，朴素贝叶斯算法在社交网络情感分析中的应用。
社交网络中的用户在进行互动时会表达各种情感，比如喜怒哀乐、赞美批评等。
情感分析可以帮助我们了解用户对某一话题或产品的态度，对于企业和机构来说，这种信息是非常宝贵的。
朴素贝叶斯算法可以通过学习情感词的频率和分布，对文本进行情感分类，从而实现对用户情感的自动分析。
最后，朴素贝叶斯算法在社交网络舆情监控中的应用。
舆情监控是企业和机构非常重要的工作之一，通过监控社交网络中的舆论动向，可以及时发现和处理一些负面信息，保护自身品牌形象。
朴素贝叶斯算法可以通过学习舆情文本中的关键词频率和分布，对舆情进行分类和评判，辅助企业和机构及时做出应对措施。
综上所述，朴素贝叶斯算法在社交网络分析中有着广泛的应用，它可以帮助我们更好地理解用户的行为和情感，为企业和机构提供更加精准的信息服务。
当然，朴素贝叶斯算法也并非没有局限性，比如对于特别复杂的文本信息以及长尾词频分布情况下的分类准确性等方面都存在一定的挑战。
复杂网络链路预测算法研究
复杂网络链路预测算法研究复杂网络链路预测算法研究随着社交网络、互联网和大数据的快速发展，复杂网络链路预测算法成为了一个研究热点。
复杂网络链路预测的目标是利用网络中已有的信息，通过算法预测现有的链接以及未来可能的链接。
该研究对于社交关系分析、推荐系统、信息传播以及网络安全等领域具有重要的意义。
复杂网络链路预测算法的研究可以从传统的基于拓扑结构的算法和基于机器学习的算法两个方面展开。
基于拓扑结构的链路预测算法主要利用网络的拓扑结构进行预测。
其中一个经典的算法是“共享邻居算法(Common Neighbors)”，它认为两个节点间的共享邻居越多，它们之间的链接就越可能存在。
然而，这种算法在处理大规模网络时存在效率低下的问题，因为它需要遍历整个网络来计算共享邻居的数量。
针对以上问题，研究者提出了一种改进算法，“加权共享邻居算法 (Weighted Common Neighbors)”。
该算法认为，不同的共享邻居对于链路预测的贡献度是不一样的，因此对邻居节点进行权重分配。
该算法首先通过计算节点之间的权重矩阵，然后利用该矩阵进行链路预测。
实验证明，与传统的共享邻居算法相比，加权共享邻居算法能够提高预测准确性。
除了基于拓扑结构的算法外，基于机器学习的链路预测算法在复杂网络中也被广泛应用。
这些算法主要通过学习网络中节点和链接的特征来进行预测。
其中一个常用的算法是“随机游走算法(Random Walk)”。
该算法通过在网络中进行随机游走，来学习节点间的潜在联系。
另一个算法是“支持向量机算法(Support Vector Machine, SVM)”。
该算法通过构建分类器来预测链接的存在与否。
它通过训练数据集，学习分类器的参数，从而实现链路预测。
然而，基于机器学习的链路预测算法需要依赖大量的训练数据，且对特征选择十分敏感。
因此，在实际应用中，构建合适的训练集和选择有效的特征是非常关键的。
同时，基于机器学习的算法在处理大规模复杂网络时也存在计算复杂度高的问题。
复杂网络中的链路预测算法研究与应用
复杂网络中的链路预测算法研究与应用随着信息时代的到来，社交网络、生物网络、交通网络等复杂网络的规模和复杂性不断增加。
在这些网络中，链路（边）的预测成为一项重要的任务，旨在通过已有的网络结构信息，预测未来可能存在的链路，从而洞察网络的演化规律、探索网络的隐含关系。
一、链路预测算法的研究进展近年来，学术界和工业界都对链路预测算法进行了广泛的研究和探索。
传统的链路预测算法主要基于相似性原理，通过计算节点对之间的相似性指标（如共同邻居、Jaccard系数、Adamic/Adar指数等），来衡量节点对之间可能存在的链接。
然而，由于复杂网络的特殊性，传统的相似性原理算法在链路预测任务中存在诸多问题，例如无法处理高度稀疏网络、忽视了节点之间的联系强度等。
为了克服传统算法的局限性，研究者们提出了各种新的链路预测算法。
其中一类常见的方法是基于机器学习的算法，如支持向量机（SVM）、神经网络（NN）、随机森林（RF）等。
这些算法通过学习已知链路属性与节点特征之间的关系，在预测未知链路时进行推断。
此外，还有一些基于社区结构、网络结构等特征的算法被提出，如基于社区信息的算法、基于路径的算法等。
二、链路预测算法的应用领域链路预测算法在各个领域都有广泛的应用。
以下是几个典型的应用领域：1. 社交网络：社交网络中的链路预测可以帮助我们发现可能有潜在关系的人物，为社交平台的推荐系统提供更准确、个性化的推荐结果。
例如，在微博平台上，可以通过预测两个用户之间是否存在链接，提供更精准的用户推荐、好友推荐等服务。
2. 生物网络：在生物网络中，链路预测可以帮助我们理解蛋白质相互作用网络、基因调控网络等生物过程中的关键因素和相互关系。
通过预测蛋白质之间的相互作用，有助于研究疾病的发生机制、药物研发等领域。
3. 交通网络：链路预测在交通网络中的应用可用于预测城市道路的流量、拥堵情况和交通状况。
基于链路预测的交通优化算法可以帮助城市规划者和交通管理部门制定更合理的交通规划和交通流管理策略，提高城市交通效率和安全性。
基于树状朴素贝叶斯模型的社会网络关系预测
基于树状朴素贝叶斯模型的社会网络关系预测作者：伍杰华来源：《计算机应用》2013年第11期摘要：在社会网络关系预测研究领域，把基于拓扑结构信息的共邻节点属性作为相似性度量的预测模型应用比较广泛，但是该类算法具有较强的假设独立性，不能完全反映社会网络的“链接”结构。
引入树状朴素贝叶斯（TAN）分类模型，采用信息熵度量节点对的角色，赋予共邻节点集合差异化的贡献权重进行社会关系预测，同时把模型推广到CN，AA和RA 等3种基于相似度的链接预测算法中。
对5个真实社会网络采用AUC和ROC曲线进行实验评价后证明，该模型能够在深入挖掘共邻节点对贡献及解决共邻节点角色独立性的基础上提高预测精确度，同时为该类模型的研究提供一种新的方案。
关键词：社会网络分析；关系预测；链接预测；共邻节点；贝叶斯模型0引言社会网络分析[1]是数据挖掘和机器学习领域其中一个非常活跃的研究课题，也是众多知名的互联网公司例如Facebook、Twitter、YouTube的主要业务方向[2]。
它主要通过学习社会网络中用户属性及其相互间活动关系，挖掘其中内在的知识规律并提供推广和推荐服务，例如展示用户之间“潜在好友”的关联推荐，对用户感兴趣新闻的推荐，发现社会关系中的社区属性，把具备相似兴趣的用户归纳为特定群组和判断微博和博客中的谣言传播等[3]。
在社会网络分析领域，关系可以用网络或者图的结构[4]来表示，其中节点（顶点）表示一个用户，链接（边）表示两个用户之间的关系，如何根据社会网络的历史结构信息预测其演化方式及其用户之间社会关系发生的潜在可能便显得异常重要，这也是本文的研究领域——社会关系预测（后称关系预测）所要解决的基本问题。
1相关工作目前，大部分关系预测模型都是基于社会网络的拓扑特征结构建立，其中基于共同邻接（Common Neighbor， CN）节点——简称共邻节点，特征计算节点对之间的相似度[5] （Similarity）应用最为广泛。
基于高斯朴素贝叶斯的网络安全态势感知技术研究与应用
基于高斯朴素贝叶斯的网络安全态势感知技术研究与应用作者：谷洪彬杨希魏孔鹏来源：《计算机时代》2021年第10期摘要：网络安全态势感知技术是一种基于环境的、动态的、整体的数据融合方法，可以从宏观角度把数据融合起来，是网络安全强有力的监控技术和保障技术。
通过机器学习算法发现数据之间的相关性，可以发现数据之间潜在的联系。
高斯朴素贝叶斯是机器学习中较为通用的一种算法，通过对KDD CUP99数据集的训练和测试，得到的模型有效地对网络安全测试数据进行了预测。
关键词：高斯朴素贝叶斯; 网络安全; 态势感知; KDD CUP99数据集中图分类号：T9391.4 文献标识码：A 文章编号：1006-8228（2021）10-64-04Research and application of key technologies for network security situationawareness based on Gaussian Naive BayesGu Hongbin， Yang Xi， Wei Kongpeng（Panjin Vocational & Technical College， Panjin， Liaoning 124000， China）Abstract： Network security situation awareness technology is an environment-based，dynamic， overall data integration method， which can integrate data from a macro perspective，and is a powerful monitoring technology and guarantee technology of network security. Potential associations between data can be found by machine learning algorithms. Gaussian Naive Bayes is a general algorithm in machine learning， by training and testing on the KDD CUP99 dataset， the obtained model effectively predicts the testing data of network security.Key words： Gaussian Naive Bayes; network security; situation awareness; KDD CUP99 dataset 0 引言态势感知技术是网络安全强有力的监控技术和保障技术，面对传统网络安全技术无法较好地检测网络状态和探究其变化规律等问题，本文结合机器学习和大数据在分析、预测方面的优势，通过数据融合的方式将入侵检测系统、日志文件、防火墙、网络设备等数据进行归一化操作，然后基于这些统一的数据进行进一步的态势评估和预测。
- 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)。
DOI : 10.11992/tis.201810025网络出版地址: /kcms/detail/23.1538.TP.20190109.1748.006.html融合朴素贝叶斯方法的复杂网络链路预测王润芳1，陈增强1,2，刘忠信1,2（1. 南开大学 人工智能学院，天津 300350; 2. 天津市智能机器人重点实验室，天津 300350）摘 要：近来复杂网络成为了众多学者的研究热点。
但真实网络中的连边信息并不完整，不利于网络的分析研究，链路预测可以挖掘网络中的缺失连边，为网络重构提供基本依据。
本文认为网络中链接的产生不仅受外部因素——共同邻居的影响，还受其自身因素的影响。
其中，共同邻居的影响可以通过文献中的局部朴素贝叶斯(LNB)模型量化，节点的影响则根据其自身的度量化。
本文将两者综合考虑，提出了融合朴素贝叶斯(SNB)模型，然后用共同邻居(CN)、Adamic-Adar(AA)和资源分配(RA)指标进行推广。
在美国航空网(USAir)上的实验结果表明，该方法的预测准确度比LNB 和基准方法均有所提高，从而证明了该方法的有效性。
关键词：复杂网络；融合朴素贝叶斯模型；局部朴素贝叶斯模型；贝叶斯模型；链路预测；共同邻居；节点度；网络重构中图分类号：TP391 文献标志码：A 文章编号：1673−4785(2019)01−0099−09中文引用格式：王润芳, 陈增强, 刘忠信. 融合朴素贝叶斯方法的复杂网络链路预测[J]. 智能系统学报, 2019, 14(1): 99–107.英文引用格式：WANG Runfang, CHEN Zengqiang, LIU Zhongxin. Link prediction in complex networks with syncretic naive Bayes methods[J]. CAAI transactions on intelligent systems, 2019, 14(1): 99–107.Link prediction in complex networks with syncretic naive Bayes methodsWANG Runfang 1，CHEN Zengqiang 1,2，LIU Zhongxin 1,2(1. College of Artificial Intelligence, Nankai University, Tianjin 300350, China; 2. Key Laboratory of Intelligent Robotics of Tianjin,Tianjin 300350, China)Abstract : Recently, complex networks have become a research hotspot. However, edge information in the real network is incomplete, which is not conducive to the analysis and research of the network. Link prediction can provide a funda-mental basis for network reconstruction by digging out the missing edges in the network. This paper demonstrates that the generation of links in the network is not only influenced by external factors (common neighbors) but also by its own factors. Among them, the influence of common neighbors can be quantified via the local naive Bayes (LNB) model in the literature, whereas the influence of nodes can be quantified depending on their degree. Therefore, a syncretic naive Bayes (SNB) model is proposed based on comprehensive consideration of the influence of the two abovementioned as-pects. The model is then extended to common neighbors, Adamic-Adar, and Resource Allocation methods. Finally, the experimental results on USAir show that the prediction accuracy of the method is higher than that of LNB and the benchmark method, which proves the effectiveness of the SNB model.Keywords : complex network; syncretic naive Bayes model; local naive Bayes model; Bayes model; link prediction;common neighbors; the degree of node; network reconstruction现代社会中的信息呈爆炸式增长，使得社会系统极具复杂性。
研究表明，各种系统之间的交互信息可以通过对应的复杂网络表示，其中，网络中的节点代表系统中的个体，连边代表个体之间的关系[1]。
网络科学是专门用于研究各种复杂网络系统的定性和定量规律的一门交叉学科[2]。
然而，由于隐私政策和个体设置等原因，实际获收稿日期：2018−10−23. 网络出版日期：2019−01−10.基金项目：国家自然科学基金项目(61573199, 61573197). 天津市自然科学基金项目(14JCYBJC18700).通信作者：陈增强. E-mail: chenzq@ .第 14 卷第 1 期智 能 系 统 学 报Vol.14 No.12019 年 1 月CAAI Transactions on Intelligent SystemsJan. 2019取的网络连边信息往往是不完整的，加大了网络科学研究的难度。
链路预测能够对缺失信息进行还原和预测，是网络科学研究的有力辅助工具，具有重要的理论研究和实际应用价值。
一方面，链路预测可以帮助人们理解各种复杂网络的演化机制[3-4]，为不同演化模型的优劣比较提供统一平台；另一方面，链路预测的结果可以指导生物网络中的实验，降低实验成本并提高准确率，还可以建立网络中的推荐系统[5]。
网络中的链路预测，是指如何根据网络中已知的节点和结构信息，预测网络中尚未产生连边的两个节点之间产生连接的可能性[6]，包括未来链接和未知链接的预测，常用的方法可分为两大类：基于相似性的方法和智能方法。
基于相似性方法的一个基本假设是：两个节点越相似，在未来连接的可能性越大，而节点的相似程度可通过相似性指标量化，即根据相似性指标计算相似性得分，得分越高，两个节点越相似。
已有相似性指标可分为三大类：基于节点局部信息的方法，如共同邻居(CN)[7]、Adamic-Adar(AA)[8]和资源分配(RA)[9]指标等；基于全局路径的方法，如Katz[7]和局部路径(LP)[9]等；基于随机游走的方法[10]。
上述方法中，基于节点局部信息的方法运算复杂度最低，且预测准确度较高，因此常被用作基准指标。
吕琳媛等[11]对几种基准指标的研究发现，无论是否加权，RA均表现最好，且无权指标的性能均优于加权指标。
由此得出：复杂网络中的弱连接不容忽视，强调弱连接的贡献可以极大提高预测准确度。
此外，作者意识到这些指标存在共同缺点，即认为所有共同邻居对于节点对的贡献相同。
为此，Liu等[12]假设每个共同邻居的贡献不同，有些促进链接的产生，有些则抑制，因此共同邻居数量相同的节点对产生链接的概率可能不同。
然后将朴素贝叶斯理论应用到链路预测中，提出了局部朴素贝叶斯(LNB)模型。
最近，Valverde-Rebaza等[13]认为每个用户可能同时属于多个社团，且扮演角色不同，预测时应充分考虑用户所属的所有社团信息。
基于此思想，Val-verde-Rebaza在文献[14]中提出了基于重叠组的朴素贝叶斯(GNB)链路预测模型。
此外，考虑到共同邻居之间并非完全相互独立，文献[15]使用互信息量化共同邻居的相关性，对LNB进行推广，提出了广义的树增广朴素贝叶斯(TAN)概率模型，并扩展到了CN、AA和RA指标，在运行效率和有效性等方面均优于基准方法。
然而，上述方法仅考虑了共同邻居的作用，忽略了节点自身的影响。
闫玲玲等[16]提出了一种基于度和聚类系数的新指标，对中国航空网络中的节点重要性进行分析。
Pujari等[17]认为节点对的每个属性代表不同信息，可以将所有属性对应特征进行加权整合以提高预测性能。
Li等[18]以新浪微博为研究对象，根据其自身特点提出了包含用户临近特征、属性特征和拓扑特征的特征集用于预测。
但这些方法仅考虑了节点自身作用，忽略了共同邻居的影响。
为解决上述问题，本文基于局部朴素贝叶斯(LNB)模型提出了融合朴素贝叶斯(syncretic na-ive Bayes，SNB)模型。
本文的主要贡献如下。
1)认为链接的产生受到内部和外部两方面因素的影响。
其中，节点对自身特点属于内部影响，可以通过节点度量化；共同邻居的作用属于外部影响，可以通过LNB模型量化，将两者结合提出一个新模型。
2)模型的优劣不仅体现在其自身的预测精确度上，还体现在它与其他思想的融合效果上，后者可以通过其在基准指标推广后的预测精确度定性描述。
因此，文中将SNB推广到CN、AA和RA形式，说明其具有普适性。
近些年，智能方法受到广泛关注。
已有研究包括支持向量机[19]、BP神经网络[20-21]、3层隐含的贝叶斯(3-HBP)链路预测模型[22]、最大熵模型[23]以及可变贝叶斯概率矩阵分解模型[24]等。
与直接给节点对分配相似性得分不同，这些方法都是通过学习已知知识建立模型进行预测，是将来的研究重点。
1 预备知识本部分首先给出了链路预测的概念，然后介绍了本文的理论基础——朴素贝叶斯理论，接着阐述了一些常用的基准指标，最后简要介绍了局部朴素贝叶斯(LNB)链路预测模型。