第36卷第3期2023年6月Vol.36No.3Jun.2023四川轻化工大学学报（自然科学版）JournalofSichuanUniversityofScience&Engineering(NaturalScienceEdition)基于三阶路径自适应度惩罚的链路预测方法陈广福1,2，连雁平1,2，李晓飞1,2（1.武夷学院数学与计算机学院，福建武夷山353400；2.福建省茶产业大数据应用与智能化重点实验室，福建武夷山353400）摘要：链路预测目标是根据已知网络结构来预测缺失链接。现存大部分基于相似度方法仅考虑二阶路径而忽略三阶路径与网络拓扑特征关联程度，这将导致预测准确度下降而不适用于稀疏网络。针对以上不足，提出基于三阶路径自适应度惩罚（THADP）的链路预测算法改善稀疏网络预测精度。首先，统一泛化基于三阶路径相似度方法包括CN-L3、AA-L3和RA-L3，构建THADP框架保持节点所有三阶路径信息；其次，该框架与节点平均最短路径融合有利于捕获整个网络节点信息增强THADP鲁棒性；最后，在8个真实网络上，采用AUC和F1评价所提指标和基准方法性能，实验结果表明所提指标AUC和F1值最高分别提升了35.5%和21.5%。关键词：复杂网络；链路预测；3阶路径；最短路径；自适应度惩罚中图分类号：TP391文献标志码：A引言真实世界大量的复杂系统可由复杂网络来描述和表示，其中节点代表实体、连边表示实体间的关系。然而，由于真实网络数据收集总是部分的，因此如何寻找缺失链接间关系是复杂网络研究中最有挑战的问题。链路预测目标是根据已知网络结构及其节点属性等信息去推断节点对形成链接的可能性[1]。此外，链路预测还具有以下功能：1）预测缺失链接、识别虚假链接及消除网络噪音；2）根据当前网络结构信息探寻网络演化机制。因此，链路预测广泛应用于不同的领域。例如在社会网络，链路预测可用于检测用户异常信息，保护用户信息安全[2]；社交网为不同用户推荐新朋友，可获得更好的用户体验[3]；此外，在生物网络中，可用于预测蛋白质间先前未知的相互作用，从而降低经验方法的成本等[4]。当前，大部分链路预测算法的研究都集中在基于相似度方法，该方法根据网络结构信息、节点聚类系数及节点属性等信息计算每个节点对相似度分数，分数越高产生链接可能性就越高。基于相似度算法又可以划分为局部、半局部和全局方法。局部相似度方法通过节点间的共同邻居数量来描述节点间产生链接的可能性，其中具有代表性的是共同邻居（CommonNeighbors，CN）[5]、资源分配（ResourceAllocation，RA）[6]和Adamic-Adar（AA）指收稿日期：2022...
