导读:本文包含了链路结构论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:链路,网络,结构,节点,相似性,邻居,神经网络。
链路结构论文文献综述
常圣,马宏,刘树新[1]（2019）在《基于叁元组结构的有向网链路预测方法》一文中研究指出当前链路预测的研究主要集中在无向网络,然而现实世界中存在大量的有向网络,忽略链路的方向会缺失一些重要信息甚至使预测失去意义,而直接将无向网络的预测方法应用于有向网络又存在预测精度降低的问题。为此,提出了一个基于叁元组的有向网络链路预测算法,该算法针对有向网络和无向网络叁元组结构的不同,应用势理论对叁元组进行筛选,通过统计分析不同叁元组闭合的可能性,以网络整体叁元组闭合指数作为权重计算节点间的相似性。在9个真实数据集上的实验表明,所提方法比基准方法的预测精度提高了4.3%。(本文来源于《网络与信息安全学报》期刊2019年05期）
杨晓翠[2]（2019）在《基于局部网络结构的链路预测算法研究》一文中研究指出链路预测,作为复杂网络研究和分析的重要手段之一,具有巨大的科研和应用价值。具体来讲,链路预测就是通过对网络中不同因素间的相关性进行量化,充分运用这些量化指标对网络中缺失或者是真实存在但尚未发现的连接以及将来有可能出现的连接进行预测。近年来,该方向的研究成果迭出,以基于相似性的链路预测方法最为普遍。该类方法的关键在于利用网络中的诸如节点属性和网络结构等信息来定义节点之间的相似性。其中,由于网络结构信息较于节点属性的获取和筛选更为容易,所以在网络科学领域学者们的研究中备受青睐。然而,现阶段的链路预测算法对这类信息的挖掘和利用还不够充分,如何高效且准确地预测不完整复杂网络中的缺失链接仍具挑战。本文,为了有效平衡算法的精度和时间复杂度,以基于局部网络结构的链路预测算法为研究主线,分析现有的基于网络结构的链路预测算法及其目前存在的主要问题,根据网络规模的不同,提出相应的链路预测算法。内容概述如下:(1)针对中、小规模网络,本文从局部网络拓扑信息着手,在基于共同邻居节点是影响预测节点对相似性的重要因素之一这一事实之上,考虑到局部网络环境,即链路聚类信息在预测缺失链接中的功能,提出了基于集体影响和边聚类信息的链路预测算法CELP,实现对节点相似性这一网络结构特征的刻画,有效开发了公共节点本身及其连边形成的局部网络结构在预测网络链路形成方面的价值。此外,“物以类聚,人以群分”的规律,表明了网络的社区属性这一结构特征的普遍性。因此,本文利用社区发现算法Com_ST来获取网络的社区结构并计算社区相似性,然后将其与CELP结合,建模成贝叶斯网络。根据贝叶斯定理,设计出基于局部网络结构信息的链路预测算法LNS_LP,进一步提高了算法预测精度,保证了网络结构信息的充分挖掘和利用。来自各个领域的多个数据集的对比实验结果表明了所提算法的有效性,也进一步肯定了节点、连边、社区等信息对于链路预测工作的重要意义。(2)针对大规模网络,传统的高维稀疏表示形式,即邻接矩阵,因消耗的计算空间与时间较多,同时面临较为严重的数据稀疏问题而具有很大的局限性。另一方面,传统的基于邻接矩阵表示方案而设计的链路预测算法,处理大型网络的效率太低。因此,本文转变研究思维,先是提出了基于局部网络结构信息的网络表示学习算法LNS_NRL,通过语言模型Skip-Gram对所构造的随机游走节点序列进行学习,实现网络节点的低维向量表示。在此基础上,设计了基于网络表示学习的链路预测算法NRL_LP,利用任意两个节点表示向量之间的欧式距离定义其相似性,距离越近的节点,其相似性越高。实验结果表明,NRL_LP算法相较于基于原始网络表示形式设计的链路预测算法LNS_LP,在处理大型网络问题时,效率和效果上都具有明显的优势。(本文来源于《江南大学》期刊2019-06-01）
李兰茜[3]（2019）在《基于复杂网络结构的链路预测技术研究》一文中研究指出随着互联网的迅猛发展,现实世界网络的结构愈加复杂。在对复杂网络的众多研究中,链路预测研究成为挖掘网络结构和演进机制的关键性工具,在众多学科中应用广泛。作为一个长期存在的实用科学问题,链路预测研究帮助我们从理论上深入理解复杂网络演化的机制,并且在识别丢失和虚假链路方面有着重要应用。在过去二十年里,网络科学成为理解诸多真实世界网络系统结构的新架构。链路预测作为分析网络结构的重要研究分支,吸引了各领域众多的研究者。不同领域学者通过将各学科技术应用于链路预测研究来提升预测模型的整体预测精确性。本文致力于进一步挖掘网络结构特点,提出了叁种链路预测模型。本文主要创新点和工作如下:(1)提出了基于非均衡合作效应的链路预测模型。传统基于网络结构的链路预测模型大都没有考虑端点关系的异构性,使得这些模型无法有效应用于各类网络。本文挖掘网络中存在的非均衡合作关系,分析此效应对于节点间潜在连边形成的影响。通过引入度异构性指数H,在不同网络中对大度节点进行惩罚,提出了基于非均衡合作关系的链路预测模型。本研究在十二个公开真实网络数据集上进行了大量验证,结果表明,基于非均衡合作效应的链路预测模型能自适应于各种异构网络,有效提升了链路预测的综合性能。(2)提出了基于节点中心度的链路预测模型。已有的链路预测模型多数使用节点度作为节点影响力的量化指标,但节点度利用的网络信息有限,对于节点影响力的衡量不够准确,从而影响了这些链路预测模型的预测精度。本文引入紧密中心度和介数中心度来量化节点重要性,并提出了基于节点中心度的链路预测模型。所提模型权衡了量化准确度和计算复杂度。经过六个真实网络数据集上的反复验证,结果表明,基于节点中心度的链路预测模型有效地提升了预测准确性。(3)提出了基于路径传递性的链路预测模型。现有基于路径的链路预测模型大多是简单考虑两端点间的路径数,很少对路径结构进行分析。不同结构的等长路径对于两端节点的相似性传递能力存在不可忽视的差异。基于此本文提出了基于路径传递性的链路预测模型。此模型认为长度短且过渡节点为小影响力节点的路径具有更强的端点相似性传递能力,并根据不同的网络结构研究路径异构性。通过在六个网络数据集上仿真实验,验证了所提模型有效地提升了预测准确性。(本文来源于《北京邮电大学》期刊2019-05-31）
杨强[4]（2019）在《面向局部群落结构的链路预测算法研究》一文中研究指出现实世界中,存在大量复杂系统,如生物、电力和社会关系系统等。复杂网络以抽象化的形式可以表示这些复杂系统,其中系统中的个体用网络中的节点表示,个体之间的关系用连边表示。研究复杂网络对探索网络形成及演化机制意义重大,而链路预测则将复杂网络与信息科学紧密联系起来。复杂网络会随着时间的发展而动态变化,对其进行挖掘与研究,对复杂网络内部的演化机理的研究意义重大。链路预测就是复杂网络领域的一个重要分支,是通过已知的网络结构和网络节点属性信息等,预测网络中两个节点间互相连接的可能性。链路预测是数据挖掘的一个重要方向,可以用于研究动态网络的演化,进行不完整网络的信息补全等。随着链路预测技术的快速发展,许多相似性算法相继提出。传统的链路预测算法主要包括基于局部信息、基于全局信息和基于随机游走的链路预测算法。本文主要研究基于局部信息的链路预测算法。在网络的局部信息中,网络中的节点属性经常是难以获得的,即使获得也常常伴随着噪声数据,因此近些年来基于网络局部结构的链路预测方法日益受到人们的关注。局部群落结构是真实网络中普遍存在的特殊网络拓扑结构,本文针对这一特定的局部结构的链路预测算法进行了较为深入的研究。本文定义了两种计算节点相似性的方法,进而提出了两种新的面向局部群落结构的链路预测算法,主要工作与贡献由以下两个方面组成:1.真实网络中存在大量的局部群落结构,针对不同的网络结构构建算法是链路预测的核心问题。利用社交网络好友推荐策略提出的FR算法无法区分候选节点和中介节点间的亲疏关系,考虑到中介人倾向于将自己更熟悉的人介绍给目标用户,提出了一种节点相似性度量指标,并且提出了加权好友推荐模型链路预测算法,简称WFR(Weighted Friend Recommendation)算法。该指标结合局部特征描述并有效区分了用户节点之间影响力的不同,更适用于一类特定的局部群落结构。从相似性指标的选取对算法的影响、权重比例变化对算法的影响和人工生成的典型网络环境下算法的适用分析叁个角度对提出的算法的性能进行了全面的分析。根据该指标提出的加权的好友推荐模型链路预测算法在12个真实网络数据集进行了实验,实验结果表明该算法在AUC和Precision两个评价指标上具有明显的优势。2.目前大部分的链路预测算法都没有引入足够的网络信息,导致链路预测的预测性能不佳。局部节点嵌入的方法能够提取出更多网络信息,使用局部节点嵌入的方法构建的节点相似性指标进行的链路预测往往能获得比较好的性能。因此,本文结合好友推荐FR算法和局部节点嵌入DeepWalk算法构建相似性指标,提出了一种新的节点相似性度量指标和基于局部节点嵌入的链路预测算法,简称DFR(DeepWalk plus Friend Recommendation)算法。该算法结合局部群落特征描述并能更准确地获得目标节点的拓扑结构信息,更适用于一类特定的局部群落结构和大规模的网络。该链路预测算法在12个数据集上的实验结果表明,该算法在AUC和Precision两个指标上具有优势,尤其是在较少的训练集下即可得到较好的训练效果。(本文来源于《安徽大学》期刊2019-02-01）
刘继嘉,王童,何兴盛,傅忠谦[5]（2018）在《一种基于混合结构的动态网络链路预测算法》一文中研究指出链路预测是一种挖掘数据之间潜在关系的重要方法。传统的链路预测算法主要基于静态网络,而现实生活中绝大多数网络是动态的,因此原有的算法性能受到了限制。文章首先在网络局部结构信息的基础上,引入节点共同邻居之间的连边信息,提出了一种混合结构相似性指标。通过建立网络的时间序列,文章将该指标与线性回归预测模型相结合,得到了一种适用于动态网络的混合结构线性回归算法。该算法充分利用了网络的时间信息与结构信息,真实的实验结果表明,混合结构线性回归算法性能优于传统的链路预测算法,具有更高的预测精度。(本文来源于《电子技术》期刊2018年07期）
刘松林,秦晓卫,戴旭初[6]（2018）在《基于神经网络结构化组合的下行链路SINR预测》一文中研究指出针对无线蜂窝系统下行链路信道SINR预测方法存在的只能对单一信道参数场景进行一步预测、预测误差较大等不足,根据信道参数变化场景下SINR序列相关性的变化,对长短期记忆网络(LSTM)和前馈神经网络(FNN)进行结构化组合,提出一种基于LSTM-FNN预测模型的SINR预测方法,并通过预训练-全局训练策略和迭代调优策略对组合网络进行较好地训练。仿真实验表明,LSTM-FNN模型相比于传统的自回归积分滑动平均模型(ARIMA)和单一FNN、LSTM网络,在信道参数变化场景下具有更好的SINR预测性能,且时间复杂度的增加在可接受范围内。(本文来源于《遥测遥控》期刊2018年04期）
王秀芳[7]（2018）在《基于网络局部结构的链路预测研究》一文中研究指出近年来,人们越发关注网络中的链路预测问题。从虚拟的世界中,通过链路预测的方式,预测真实生活中人们的关系以及行为,这是一个比较有意义的研究方向,研究学者从不同的角度设计不同的指标不断地进行探索,由于描述网络节点间的关系程度的特征非常多,特征选取的不同会影响相似性指标的预测效果,所以相似性的度量指标有很大的发展空间。本文分别在简单无向网络和符号网络这两种类型网络的基础上作了进一步的工作,研究成果如下:(1)在简单无向网络中,由于共同邻居处于待预测节点间的核心位置,所以它的影响力是显而易见的。本文主要从两方面来考虑。一方面,以共同邻居节点的视角展开分析网络的连通情况,由于网络连接越稠密,信息越流通,描述这种现象,本文分析的是两节点的共同邻居节点与两节点的邻居节点之间的连接情况,连边数越多,则信息传递的越多。另一方面,从一个节点到另一个节点的资源分配进行分析,本文假设这种分配是不均匀的,认为两节点的邻居个数越多,向共同邻居索取的资源也就越多。结合这两种思想,提出本文的新指标:BCNI指标。用AUC评价指标进行了实验验证,实际数据分析的结果显示,该方法有效的改进了基于节点局部信息相似性指标。(2)符号网络,即网络中有多种不同类型的边,最典型的是存在正边和负边,怎么预测正边和负边逐渐成为一个越来越重要的研究主题,了解到在社会网络中局部路径指标(LP)表现良好。且结构平衡理论作为符号网络研究的理论基础有一定的现实意义,本文把LP算法和结构平衡理论进行结合应用到符号网络中,用AUC评价指标进行了实验验证,LP指标同样适用于符号网络,并且给出它的平衡理论解释。无论是简单无向网络还是符号网络,把本文所提出的方法应用到真实网络和人工选取的部分真实网络中,经过实验验证都是有效可行的,具有一定的应用价值。(本文来源于《山西大学》期刊2018-06-01）
邱昱[8]（2018）在《基于拓扑结构与谱分析的链路预测研究》一文中研究指出链路预测是复杂网络热门的研究方向之一,它在社交网络、生物网络以及交通网络等方面都有着重要实用意义。目前,由于网络拓扑结构信息既容易获取又更加可靠,因此,链路预测的算法大多是利用网络的拓扑结构性质计算节点的相似度来进行预测。而现有的基于机器学习的预测方法需要获得节点的额外属性,例如社交网络中用户的年龄、工作等信息,这些信息并不容易获取,从而限制了算法的普适性。因此,本文考虑网络的拓扑结构性质并引入谱分析方法来进行研究。本文首先在共同邻居的基础上综合考虑度和聚类系数两个拓扑结构性质,提出了新的基于局部拓扑结构性质的CDLP指标。通过在8个真实网络数据集上进行实验发现CDLP指标优于其他基于局部拓扑结构特征的指标,证明考虑越多有效的拓扑结构特征越有利于预测结果精度的提高。由于现有的大多数链路预测方法是利用网络的拓扑结构信息,计算节点相似性来进行预测,预测结果容易受到拓扑结构变化的影响,我们引入谱分析方法。谱分析方法利用标准化拉普拉斯方程计算所得的特征值与特征向量将网络的节点映射到维度空间,再通过计算节点之间的相似性距离对连边赋予属性,邻接矩阵的上叁角(或下叁角)作为标记属性。相似性距离属性和邻接矩阵标记属性相结合构造成关于边的属性特征集,最后通过机器学习的分类方法就将传统的对节点相似性的预测转化为对边属性集的二分类预测。通过实验发现,基于谱分析的方法可以明显提高预测结果,并且算法具有良好的健壮性。为了进一步提高预测结果,我们综合考虑网络拓扑特征与谱分析方法。先将两节点的平均度与平均聚类系数分别作为连边的属性,两个属性构成关于边的属性集进行实验,随后由平均度与平均聚类系数构造的边属性集又分别与相似性距离属性集进行结合,最后平均度与平均聚类系数构造的边属性集同时与相似性距离得到的属性集结合进行实验,其中邻接矩阵上叁角仍为标记属性。通过对比实验发现,平均度和平均聚类系数两个拓扑结构特征构成的边的属性集与距离属性集结合在一起所得的结果最好。拓扑结构与谱分析结合的方法既不需要获得节点的额外信息,又有效避免了受网络拓扑结构变化的直接影响,具有更好的适用性。(本文来源于《兰州大学》期刊2018-04-01）
王鑫[9]（2018）在《基于网络结构的复杂网络链路预测算法研究》一文中研究指出现实世界中,存在着许许多多的复杂系统,如交通、生物以及信息系统等等,这些复杂系统可以用网络来进行描述。系统中的个体可以用网络中的节点来表示,而个体之间的交互关系或者联系用连边来表示。复杂网络会随着时间进行演化,同样其中所蕴含的信息也会不断变化。而网络中的连边作为个体之间交互信息的载体,对其进行挖掘与研究显得非常必要。链路预测就是一种挖掘网络连边信息的重要手段,它不仅可以挖掘出网络中未知的隐含信息,也可以发现一些缺失信息,是对网络不完整性进行补全的一种手段。随着链路预测问题研究的不断深入,多种类型的算法被提出。其中,基于相似性的链路预测方法受到越来越多的关注。该方法的一个关键问题就是如何来定义节点之间的相似性。通常可以将拓扑网络中的各种信息融合在一起来定义节点之间的相似性,其中最重要的信息是节点属性和网络结构。使用节点属性信息有较高的预测精度,但是收集这些信息是不易的,即使可以获得节点属性信息,从这些复杂的信息中鉴别出哪些信息对预测有用处也是较为困难的事。相对的,网络结构信息获取简单且容易筛选。并且,基于网络结构的链路预测方法具有普遍适用性。然而,现阶段对基于网络结构的链路预测算法研究还不够深入,对哪种网络结构对连边有影响的挖掘还不充分。基于此,本文利用网络结构定义了 2种计算节点相似性的方法,提出2种新的链路预测算法。主要工作与贡献如下:1.在实际网络中,由于网络局部拓扑结构是不同的并且不同的节点自身属性也具有差异性,每个节点所代表的影响力是不同的,相应的对连边产生的贡献度也是不同的。还有共同邻居节点之间连接的紧密度一定程度上反映了节点自身所在的局部子网络的紧密程度,这也可能影响子网络中节点之间的连边。因此,本文定义了共同邻居节点的贡献度以及共同邻居之间的链接紧密度,将两者结合提出一种新的链路预测算法,简称LDNC(Link Density and Node Contribution)算法。将该算法在9个真实数据集上进行了实验,用AUC和Precision评价指标和五个算法进行了对比,结果表明LDNC算法是十分有效的。2.由于每个节点或每条路径在网络中所处位置的不同,它们对于网络其他部分的影响也是各不相同的。体现在链路预测中,就是不同的节点和路径对网络中的节点对是否产生连边影响力是不同的。这个影响力我们用节点和路径的权重来表示。基于此,本文给出了新的计算节点权重和路径权重的方法,并将两者结合在一起,提出一种新的链路预测算法,简称CPNW(combining paths weight and nodes weight)算法。将该算法在9个真实数据集上进行了实验,得出相似性分数矩阵,用AUC和Precision评价指标和6个算法进行对比,结果显示CPNW算法准确度较高,证明该算法有效。(本文来源于《安徽大学》期刊2018-02-01）
尹永超,徐敏,傅皇麟,孙胜男[10]（2018）在《链路预测中的一种局部结构相似度算法》一文中研究指出随着复杂网路理论的不断完善,对网络结构及演化模型的研究具有重要的应用价值,而链路预测作为复杂网络的研究热点越来越受到人们的重视.由于在大规模网络中,节点的属性等信息较难获取且相对不完整,因此现有的链路预测算法大都基于局部信息的相似度指标.这些算法往往计算简单、复杂度低,且能取得较好的预测效果,比较适合大规模的网络应用.但是由于其往往仅考虑到了不同节点之间的共同邻居数量,以及节点的度数影响,在个别网络中很难取得较好的预测效果.本文通过分析、比较现有的相似度指标算法,验证各算法的侧重点以及预测效果.对不同的网络结构模型进行提取以及比较,提出了一个新的基于邻节点结构相似度的LSCN指标算法.通过节点与其对应节点的邻居节点的结构相似度来计算节点对之间的连接概率,从而预测两个节点之间产生连接的可能性.通过在多个不同的网络结构中进行重复试验,由平均预测结果得出在部分网络中,算法的预测效果与其他依据节点结构相似性的算法相比得到了明显提升.(本文来源于《小型微型计算机系统》期刊2018年01期）
链路结构论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
链路预测,作为复杂网络研究和分析的重要手段之一,具有巨大的科研和应用价值。具体来讲,链路预测就是通过对网络中不同因素间的相关性进行量化,充分运用这些量化指标对网络中缺失或者是真实存在但尚未发现的连接以及将来有可能出现的连接进行预测。近年来,该方向的研究成果迭出,以基于相似性的链路预测方法最为普遍。该类方法的关键在于利用网络中的诸如节点属性和网络结构等信息来定义节点之间的相似性。其中,由于网络结构信息较于节点属性的获取和筛选更为容易,所以在网络科学领域学者们的研究中备受青睐。然而,现阶段的链路预测算法对这类信息的挖掘和利用还不够充分,如何高效且准确地预测不完整复杂网络中的缺失链接仍具挑战。本文,为了有效平衡算法的精度和时间复杂度,以基于局部网络结构的链路预测算法为研究主线,分析现有的基于网络结构的链路预测算法及其目前存在的主要问题,根据网络规模的不同,提出相应的链路预测算法。内容概述如下:(1)针对中、小规模网络,本文从局部网络拓扑信息着手,在基于共同邻居节点是影响预测节点对相似性的重要因素之一这一事实之上,考虑到局部网络环境,即链路聚类信息在预测缺失链接中的功能,提出了基于集体影响和边聚类信息的链路预测算法CELP,实现对节点相似性这一网络结构特征的刻画,有效开发了公共节点本身及其连边形成的局部网络结构在预测网络链路形成方面的价值。此外,“物以类聚,人以群分”的规律,表明了网络的社区属性这一结构特征的普遍性。因此,本文利用社区发现算法Com_ST来获取网络的社区结构并计算社区相似性,然后将其与CELP结合,建模成贝叶斯网络。根据贝叶斯定理,设计出基于局部网络结构信息的链路预测算法LNS_LP,进一步提高了算法预测精度,保证了网络结构信息的充分挖掘和利用。来自各个领域的多个数据集的对比实验结果表明了所提算法的有效性,也进一步肯定了节点、连边、社区等信息对于链路预测工作的重要意义。(2)针对大规模网络,传统的高维稀疏表示形式,即邻接矩阵,因消耗的计算空间与时间较多,同时面临较为严重的数据稀疏问题而具有很大的局限性。另一方面,传统的基于邻接矩阵表示方案而设计的链路预测算法,处理大型网络的效率太低。因此,本文转变研究思维,先是提出了基于局部网络结构信息的网络表示学习算法LNS_NRL,通过语言模型Skip-Gram对所构造的随机游走节点序列进行学习,实现网络节点的低维向量表示。在此基础上,设计了基于网络表示学习的链路预测算法NRL_LP,利用任意两个节点表示向量之间的欧式距离定义其相似性,距离越近的节点,其相似性越高。实验结果表明,NRL_LP算法相较于基于原始网络表示形式设计的链路预测算法LNS_LP,在处理大型网络问题时,效率和效果上都具有明显的优势。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
链路结构论文参考文献
[1].常圣,马宏,刘树新.基于叁元组结构的有向网链路预测方法[J].网络与信息安全学报.2019
[2].杨晓翠.基于局部网络结构的链路预测算法研究[D].江南大学.2019
[3].李兰茜.基于复杂网络结构的链路预测技术研究[D].北京邮电大学.2019
[4].杨强.面向局部群落结构的链路预测算法研究[D].安徽大学.2019
[5].刘继嘉,王童,何兴盛,傅忠谦.一种基于混合结构的动态网络链路预测算法[J].电子技术.2018
[6].刘松林,秦晓卫,戴旭初.基于神经网络结构化组合的下行链路SINR预测[J].遥测遥控.2018
[7].王秀芳.基于网络局部结构的链路预测研究[D].山西大学.2018
[8].邱昱.基于拓扑结构与谱分析的链路预测研究[D].兰州大学.2018
[9].王鑫.基于网络结构的复杂网络链路预测算法研究[D].安徽大学.2018
[10].尹永超,徐敏,傅皇麟,孙胜男.链路预测中的一种局部结构相似度算法[J].小型微型计算机系统.2018
论文知识图
