CCLPH：一种以社区为中心的方法，用于超复杂网络中的链接预测

《Scientific Reports》：CCLPH: community-centric approach to link prediction in hyper complex networks

　　

摘要

在超图中进行链接预测（Link Prediction，LP）是图科学中的一个关键挑战，它有助于识别复杂系统中的潜在或新兴联系。与传统图不同，超图本质上表示了更高阶的交互关系，这使得LP更具表现力，但同时也带来了更大的计算挑战。这个问题有广泛的应用，包括生物图（例如蛋白质-蛋白质相互作用）、社交图（例如群体协作）、推荐系统（例如多用户偏好）和引用图（例如研究合著关系）。尽管基于超图的LP方法通过引入多节点依赖关系而超越了传统的基于成对图的方法，但它们往往无法区分密集连接的社区内部结构和弱弱的社区间链接，从而导致假阳性增加和预测准确性降低。为了应对这一挑战，我们提出了CCLPH（超图中的以社区为中心的链接预测），这是一个利用超社区结构来提高预测准确性的社区驱动型LP框架。与传统的全局预测LP模型不同，我们的方法优先考虑社区内部的链接，因为这些链接更有可能出现，同时过滤掉置信度较低的社区间链接。通过结合局部相似性指标和全局排名机制，CCLPH有效地平衡了精确度和召回率，提升了整体的预测性能。我们的框架使用AUPR、AUROC和F1分数进行了评估，证明了其在各种超图数据集上的优越性能。实验结果证实，CCLPH通过准确建模超社区结构，始终优于现有的LP技术，从而提供了更可靠和精确的预测结果。这些发现强调了在超图中考虑社区结构的重要性，并确立了CCLPH作为一个强大且可扩展的框架，用于推进复杂超图中的链接预测。