Resumen

La predicción de enlaces utiliza datos observados para predecir relaciones futuras o potenciales en redes complejas. Una hipótesis subyacente es que dos nodos tienen una alta probabilidad de conectarse si comparten muchas características comunes. El problema clave es desarrollar diferentes enfoques para evaluar la similitud. Sin embargo, en este artículo, al caracterizar las diferencias de las puntuaciones de similitud de enlaces existentes y no existentes, encontramos un fenómeno interesante: dos nodos con algunas puntuaciones de similitud particularmente bajas también tienen una alta probabilidad de conectarse. Por lo tanto, proponemos un nuevo marco que utiliza una función óptima de una variable para ajustar las puntuaciones de similitud de dos nodos. El análisis teórico sugiere que más enlaces de baja similitud (enlaces de largo alcance) podrían predecirse correctamente con nuestro método sin perder precisión. Los experimentos en redes reales revelan que nuestro marco no solo mejora significativamente la precisión, sino que también predice más enlaces de largo alcance que los mét

• Materias:Simulación dinámica Toma de decisiones Regresión lineal Cargas controladas Seguridad multimedia
• Subjects:Dynamic simulation Decision making Linear regression Controlled loads Multimedia safety
• Palabras claves:Predicción de enlaces; Datos observados; Redes complejas; Enfoques de evaluación de similitud; Puntuaciones de similitud; Enlaces de largo alcance
• Keywords:Link prediction; Observed data; Complex networks; Similarity-evaluating approaches; Similarity scores; Long-range links