Similarity-Based Hybrid Algorithms for Link Prediction Problem in Social Networks

Die Untersuchung sozialer Netzwerke hat aufgrund der enormen Datenmengen erhebliche Aufmerksamkeit erlangt. Soziale Netzwerke stellen Interaktionsmodelle zwischen Individuen oder Gruppen dar, und das Verständnis ihrer Entwicklung ist von entscheidender Bedeutung. Das Linkvorhersageproblem in sozialen Netzwerken zielt darauf ab, zukünftige oder fehlende Interaktionen vorherzusagen. Traditionelle Ansätze konzentrieren sich auf statische Kontexte, aber dynamische Netzwerke stellen Herausforderungen dar, wie sich entwickelnde Verknüpfungen und Fragen der Privatsphäre. Dieser Artikel stellt hybride Algorithmen vor, die lokale und globale Ähnlichkeitsindizes kombinieren, um diesen Herausforderungen zu begegnen. Die vorgeschlagenen Algorithmen werden nach hybriden Ansätzen kategorisiert und verwenden Strategien zur Netzwerkexploration, um fehlende Verbindungen effektiv vorherzusagen. Der Artikel beschreibt verschiedene Explorationsmethoden und Indexauswahlmethoden, präsentiert experimentelle Ergebnisse und Vergleiche mit modernen Methoden. Die Ergebnisse zeigen die Effektivität der Hybrid-Algorithmen bei der Verbesserung der Präzision von Linkprognosen, insbesondere in kantenorientierten Strategien. Die Forschung endet mit Vorschlägen für zukünftige Arbeit, wie etwa dem Umgang mit dynamischen oder negativen Links und der Einbeziehung von Community-Erkennungsinformationen.