文章摘要:大量具有模体特征的网络如食物链网络、社交网络中含有模体结构。局部朴素贝叶斯模型（LNB）通过准确区分每个共邻节点的贡献来提高链路预测精度，却忽略了每个共邻节点所在路径贡献的不同，同时忽略了网络中模体结构对链路形成的作用。针对LNB模型的不足及其在具有模体特征的网络中的局限性，提出一种基于模体的朴素贝叶斯链路预测方法（MLNB）。该方法首先基于路径结构上模体的聚集程度对模体密度进行量化；然后根据模体密度对待测连边的影响定义了每条路径的角色贡献函数，实现了路径贡献的量化计算；最后结合朴素贝叶斯思想和路径贡献函数推导出节点相似性指标。实验结果表明，在模体特征明显的网络上，该方法相较次优的基准指标AUC值提升了2%～7%，能有效提高预测性能，具有良好的鲁棒性。

文章关键词:

项目基金: 上一篇： 自动化技术论文_基于交易不可信度的比特币非
下一篇：计算机软件及计算机应用论文_基于中值预测的四