Link Prediction in Social Networks: Role of Power Law Distribution

این کار معیارهای شباهت پیش‌بینی پیوند را برای شبکه‌های اجتماعی ارائه می‌کند که از توزیع درجه شبکه‌ها سوءاستفاده می‌کنند. در زمینه پیش‌بینی پیوند در شبکه‌های متراکم، متن معیارهای تشابه را بر اساس آستانه درجه نابرابری مارکوف (MIDTs) پیشنهاد می‌کند، که فقط گره‌هایی را در نظر می‌گیرد که درجه آنها بالاتر از آستانه برای پیوند احتمالی است. همچنین معیارهای تشابه بر اساس دسته ها (CNC، AAC، RAC) ارائه شده است که وزن اضافی را بین گره هایی که تعداد بیشتری از دسته ها را به اشتراک می گذارند، اختصاص می دهند. علاوه بر این، یک معیار شباهت تطبیقی ​​محلی (LA) پیشنهاد شده است که وزن‌های مختلفی را به گره‌های مشترک بر اساس توزیع درجه محله محلی و توزیع درجه شبکه اختصاص می‌دهد. در زمینه پیش‌بینی پیوند در شبکه‌های متراکم، متن یک چارچوب دو فازی جدید را معرفی می‌کند که لبه‌هایی را به نمودار پراکنده اضافه می‌کند تا نمودار تقویت را شکل دهد.

This work presents link prediction similarity measures for social networks that exploit the degree distribution of the networks. In the context of link prediction in dense networks, the text proposes similarity measures based on Markov inequality degree thresholding (MIDTs), which only consider nodes whose degree is above a threshold for a possible link. Also presented are similarity measures based on cliques (CNC, AAC, RAC), which assign extra weight between nodes sharing a greater number of cliques. Additionally, a locally adaptive (LA) similarity measure is proposed that assigns different weights to common nodes based on the degree distribution of the local neighborhood and the degree distribution of the network. In the context of link prediction in dense networks, the text introduces a novel two-phase framework that adds edges to the sparse graph to forma boost graph.