一种基于贝叶斯估计和大度节点有利的链路预测方法

一种基于贝叶斯估计和大度节点有利的链路预测方法，旨在优化网络模型的建立。具体方法如下：

1. 建立网络模型：任取两个未直接连接的节点作为种子节点。

2. 计算连边概率：分别计算这两个种子节点之间存在和不存在连边的概率。

3. 考虑路径中间节点度信息：根据二节点之间长度为2或3路径中间节点的度信息，分别计算产生和不产生连边的概率。

4. 贝叶斯估计与似然值计算：根据贝叶斯估计和大度节点有利思想，计算二节点之间长度为2和3路径每一中间节点的似然值。

5. 相似性分数计算：相似性分数为所有中间节点似然值之和。

6. 遍历网络：遍历网络，使用上述方法获取任意两个种子节点间的相似性分数。

7. 降序排列种子节点对：将所有种子节点对按相似性分数降序排列。

8. 预测连边：取前B个分数值对应节点对为预测连边。

本发明通过结合贝叶斯估计和大度节点有利思想，区分两节点间局部路径中不同中间节点的重要性，从而实现算法预测效果的优化。

一种基于贝叶斯估计和大度节点有利的链路预测方法，建立网络模型，任取两个未直接连接的节点作为种子节点，分别计算它们之间存在和不存在连边的概率，根据二节点之间长度为2或3路径中间节点的度信息，分别计算二节点之间产生和不产生连边的概率，根据贝叶斯估计和大度节点有利思想，计算二节点之间长度为2和3路径每一中间节点的似然值,相似性分数为所有中间节点似然值之和；遍历网络，用上述方法获取任意两个种子节点间相似性分数，将所有种子节点对按相似性分数降序排列，取前B个分数值对应节点对为预测连边。本发明根据贝叶斯估计，结合大度节点有利思想，区分两节点间局部路径中不同中间节点具有不同重要性，算法预测效果好。