基于深度學習的機會網(wǎng)絡鏈路預測方法研究.pdf

1、鏈路預測的目標是根據(jù)節(jié)點間已知鏈路及節(jié)點的屬性，估計節(jié)點間鏈路存在的可能性。近年來，鏈路預測問題正受到越來越多國內(nèi)外學者的關(guān)注，這是因為準確的鏈路預測算法可為研究一些基本的網(wǎng)絡演化機制及路由等上層協(xié)議提供支撐，并能應用于推薦系統(tǒng)、公共安全領(lǐng)域的輿情監(jiān)控等領(lǐng)域。由于機會網(wǎng)絡具有節(jié)點移動性、節(jié)點間間歇性連接和節(jié)點資源有限等特點，機會網(wǎng)絡的鏈路預測是機會網(wǎng)絡研究中的熱點和難點。
　　本文研究機會網(wǎng)絡的鏈路預測方法，針對機會網(wǎng)絡拓撲隨時間

2、變化頻繁的特點，論文結(jié)合網(wǎng)絡中鏈路歷史信息及二階鄰居信息，構(gòu)建了反映機會網(wǎng)絡鏈路隨時間動態(tài)變化的相似性指標O_AA；采用條件深度信念網(wǎng)絡(Conditional Deep Belief Network，CDBN)構(gòu)建鏈路預測模型，提取鏈路隨時間變化的特征；以所提出的相似性指標作為基礎(chǔ)樣本，采用時間序列法構(gòu)造樣本空間；通過實驗確定網(wǎng)絡參數(shù)，提出單層自適應學習率，以優(yōu)化訓練過程；采用Logistic Regression分類器對機會網(wǎng)絡的鏈

3、路進行預測。
　　論文采用受試者工作特征曲線（Receiver Operating Characteristic Curve，ROC）中的AUC和Precision作為評價指標，在MIT Reality和Infocom05數(shù)據(jù)集下，對本文提出的相似性指標O_AA的可行性進行了驗證；采用ROC中的Precision、Accuracy作為評價指標，在MIT Reality和Infocom05數(shù)據(jù)集下設計多組對比實驗，驗證CDBN預測模