论文研究 利用集成分类器处理链路预测中的分类不平衡问题.pdf

对于现实的复杂网络而言,有连边的节点对数目通常远小于无连边的节点对数目,在链路预测时,不同类别的样本数量不平衡会导致预测的分类结果与真实情况有较大的偏差。针对此问题,提出更优的链路预测算法,先对网络拓扑信息进行特征提取,再设计出一种集成分类器对数据样本进行平衡处理;然后基于网络的拓扑信息改进了分类器的集成规则;最后将训练出的集成分类器同现有的四个针对不平衡分类的链路预测学习算法进行对比研究。通过对四个不同规模的时序网络进行链路预测,结果表明,本链路预测学习算法具有更高的召回率,同时也保证了预测结果的准确性,从而更好地解决了链路预测中因类别不平衡导致的误分类问题。