本發(fā)明涉及一種仿真網(wǎng)絡(luò)生成方法。
背景技術(shù)：
：作為網(wǎng)絡(luò)科學的重要研究領(lǐng)域之一，網(wǎng)絡(luò)節(jié)點分類技術(shù)已經(jīng)得到了廣泛關(guān)注，并且在身份識別、反恐、信息推薦等領(lǐng)域有著重要的應(yīng)用價值。網(wǎng)絡(luò)節(jié)點分類技術(shù)是指：利用網(wǎng)絡(luò)中一部分已知節(jié)點的類別去預(yù)測其余未知節(jié)點的類別。傳統(tǒng)分類技術(shù)通常假設(shè)數(shù)據(jù)之間是獨立同分布的，然而網(wǎng)絡(luò)數(shù)據(jù)之間往往存在較強的關(guān)聯(lián)，這使得節(jié)點的類別不僅與自身的屬性相關(guān)，還與鄰居節(jié)點、拓撲結(jié)構(gòu)等網(wǎng)絡(luò)屬性有著密切的聯(lián)系。節(jié)點分類方法可以利用上述特征來提高分類性能。例如，當認為網(wǎng)絡(luò)中同質(zhì)性較強的時候(即節(jié)點傾向于和自身類別相似的節(jié)點連接)，利用鄰居節(jié)點加權(quán)投票的方法就能夠獲得更為滿意的結(jié)果。不同的分類方法依賴的網(wǎng)絡(luò)屬性有所不同，因此，為了評價一種分類方法的適用領(lǐng)域，往往需要在具有不同特征的網(wǎng)絡(luò)上進行對比分析。然而，在當前階段，適用于網(wǎng)絡(luò)分類評估的真實網(wǎng)絡(luò)還相對較少，其網(wǎng)絡(luò)特征也較為單一，無法充分評估分類方法的性能，這也使得生成具有不同網(wǎng)絡(luò)特征的仿真網(wǎng)絡(luò)成為評價分類方法性能的重要手段。傳統(tǒng)的網(wǎng)絡(luò)生成方法關(guān)注拓撲結(jié)構(gòu)的生成，其核心思想是生成與真實網(wǎng)絡(luò)拓撲結(jié)構(gòu)(小世界、無標度)更為相近的仿真網(wǎng)絡(luò)。然而，由于生成的網(wǎng)絡(luò)并沒有標簽信息，往往無法直接使用這些網(wǎng)絡(luò)對節(jié)點分類方法進行評估。此外，也有學者嘗試根據(jù)同質(zhì)性等指標，生成帶有標簽的仿真網(wǎng)絡(luò)。然而，這些帶有標簽的生成方法對于拓撲結(jié)構(gòu)的約束較少，使得其生成的網(wǎng)絡(luò)拓撲結(jié)構(gòu)與真實的網(wǎng)絡(luò)差距較大(例如，并不帶有典型的社區(qū)結(jié)構(gòu)等)，導(dǎo)致這類方法生成的網(wǎng)絡(luò)也不適合對分類方法進行評估。技術(shù)實現(xiàn)要素：針對上述現(xiàn)有技術(shù)中存在的技術(shù)問題，本發(fā)明提供一種新穎的仿真網(wǎng)絡(luò)生成方法，用來準確地評估節(jié)點分類方法對不同網(wǎng)絡(luò)屬性(同質(zhì)性、節(jié)點分布比例、網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)、網(wǎng)絡(luò)的密度等)的敏感程度。近些年來，網(wǎng)絡(luò)科學的研究進展很快，已經(jīng)發(fā)現(xiàn)復(fù)雜網(wǎng)絡(luò)有著一些不同以往的特征(例如小世界、冪律分布、同質(zhì)性等)。因此，現(xiàn)有的節(jié)點分類方法不只關(guān)注于節(jié)點自身的屬性，也在利用不同的網(wǎng)絡(luò)特征來輔助分類過程。然而，分類方法的建模角度有所差別，使得其受到網(wǎng)絡(luò)特征的影響程度也有所不同?？傮w來看，對于節(jié)點分類有影響的網(wǎng)絡(luò)特征主要有以下兩類：(1)拓撲特征：我們關(guān)注的問題是復(fù)雜網(wǎng)絡(luò)中的節(jié)點分類問題，而不同的網(wǎng)絡(luò)有著不同的拓撲特征，例如密度(density)、直徑、度分布、聚類系數(shù)等，這些特征都是網(wǎng)絡(luò)生成過程中表現(xiàn)出的一些特有規(guī)律，其對于分類方法的影響程度也有所不同，例如，已經(jīng)知道網(wǎng)絡(luò)的密度對于協(xié)同分類有著較大的影響；(2)標簽特征：網(wǎng)絡(luò)中節(jié)點之間并不是互相獨立的，而是彼此相連，這使得節(jié)點的類別不僅與自身的屬性相關(guān)，在很大程度上還依賴于鄰居節(jié)點的標簽，因此，網(wǎng)絡(luò)中節(jié)點的標簽表現(xiàn)出來的分布規(guī)律，我們稱之為網(wǎng)絡(luò)的標簽特征，也在很大程度上影響著分類方法的表現(xiàn)。為了更好地分析不同網(wǎng)絡(luò)特征對分類方法的影響，本發(fā)明提出一種仿真網(wǎng)絡(luò)生成方法，來生成具有不同網(wǎng)絡(luò)特征的仿真網(wǎng)絡(luò)。該方法包括：首先，根據(jù)指定的拓撲結(jié)構(gòu)參數(shù)，如節(jié)點數(shù)量、邊的數(shù)量、最大度、平均度分布、小世界以及社區(qū)結(jié)構(gòu)等，生成接近于真實網(wǎng)絡(luò)的初步仿真網(wǎng)絡(luò)結(jié)構(gòu)；其次，根據(jù)指定的標簽特征，如標簽分布比例和同質(zhì)性等，生成網(wǎng)絡(luò)中每個節(jié)點的標簽，進而得到一個適合評估網(wǎng)絡(luò)節(jié)點分類器的帶有標簽的仿真網(wǎng)絡(luò)。進一步地，在評估分類方法性能的時候，根據(jù)已知標簽的節(jié)點所占的比例的設(shè)定，隨機設(shè)定相應(yīng)數(shù)量的節(jié)點標簽為已知，得到一個待預(yù)測的仿真網(wǎng)絡(luò)，此時，得到的待預(yù)測的仿真網(wǎng)絡(luò)就可以用來評估一種分類方法在指定特征下的表現(xiàn)，分類方法根據(jù)當前網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和已知節(jié)點來預(yù)測未知節(jié)點的標簽。本發(fā)明的有益效果在于：1.相對于傳統(tǒng)的網(wǎng)絡(luò)生成方法，本發(fā)明不僅能夠生成接近真實網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，并且考慮了節(jié)點的標簽信息，使得生成的仿真網(wǎng)絡(luò)更利于全面地評估節(jié)點分類方法。2.本發(fā)明在生成網(wǎng)絡(luò)的過程中將拓撲結(jié)構(gòu)和標簽生成過程分開，可以有效地保證參數(shù)影響的獨立化，能夠更加準確的評估分類方法對于不同屬性的依賴程度。附圖說明圖1是本發(fā)明方法的預(yù)測框架圖。圖2是本發(fā)明仿真網(wǎng)絡(luò)的生成過程示例。具體實施方式如圖1所示，本發(fā)明的一種適用于網(wǎng)絡(luò)節(jié)點分類方法評估的仿真網(wǎng)絡(luò)生成方法中，首先要保證生成的網(wǎng)絡(luò)拓撲結(jié)構(gòu)更加接近真實網(wǎng)絡(luò)，這樣才能更好地評估分類方法在真實世界中的表現(xiàn)。因此，本方法中，對于給定網(wǎng)絡(luò)拓撲結(jié)構(gòu)參數(shù)集合T＝{n,d,c,…}，其中n表示節(jié)點數(shù)量，d表示密度，c表示社區(qū)結(jié)構(gòu)等，首先生成網(wǎng)絡(luò)的拓撲結(jié)構(gòu)G＝<V,E>，其中V表示了網(wǎng)絡(luò)中的節(jié)點集合，E表示網(wǎng)絡(luò)中的邊集合；其次，分類方法需要利用已知節(jié)點來預(yù)測未知節(jié)點，因此需要指定與標簽相關(guān)的特征集合L＝{h,ld,…}，其中h為網(wǎng)絡(luò)中的同質(zhì)性，ld為標簽分布比例等，按照L的限制生成網(wǎng)絡(luò)中每個節(jié)點的標簽，得到一個帶有標簽的仿真網(wǎng)絡(luò)GL＝<V,E,LN>，其中LN為節(jié)點的標簽集合。在評估分類方法性能的時候，可以根據(jù)已知標簽的節(jié)點所占的比例lp的設(shè)定，隨機設(shè)定相應(yīng)數(shù)量的節(jié)點標簽為已知，得到一個待預(yù)測的仿真網(wǎng)絡(luò)GLP＝<V,E,LN,UN>，其中V為節(jié)點集合，E為邊的集合，LN為已知節(jié)點的標簽集合，UN為未知節(jié)點的標簽集合。此時，標簽網(wǎng)絡(luò)GLP就可以用來評估一種分類方法NC1在指定特征<T,L>下的表現(xiàn)。例如，當我們選取準確度作為預(yù)測指標的時候，就是評估NC1預(yù)測的未知節(jié)點的標簽集合PN與UN的差異。圖2展示了一個示例網(wǎng)絡(luò)的生成過程，其中：(a)是首先指定網(wǎng)絡(luò)中節(jié)點的數(shù)量；(b)是根據(jù)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)參數(shù)生成的仿真網(wǎng)絡(luò)拓撲結(jié)構(gòu)；(c)是根據(jù)網(wǎng)絡(luò)的標簽分布參數(shù)生成的仿真網(wǎng)絡(luò)，此時的網(wǎng)絡(luò)已經(jīng)生成完畢；(d)為了評估分類方法的表現(xiàn)，根據(jù)設(shè)定的訓練集比例，隨機選取網(wǎng)絡(luò)中部分節(jié)點為已知，其余節(jié)點為未知后，得到的標簽網(wǎng)絡(luò)。分類方法需要根據(jù)當前網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和已知節(jié)點來預(yù)測未知節(jié)點的標簽。作為復(fù)雜網(wǎng)絡(luò)的研究熱點之一，目前已經(jīng)涌現(xiàn)出大量的網(wǎng)絡(luò)節(jié)點分類方法。由于每種方法利用的網(wǎng)絡(luò)特征有所不同，其受到網(wǎng)絡(luò)屬性的影響也有所不同。我們選取其中有代表性的幾種方法(直接鄰居：wvRN；局部結(jié)構(gòu)：CN；社區(qū)結(jié)構(gòu)：socioDim)，來驗證其在不同網(wǎng)絡(luò)屬性下的表現(xiàn)。在網(wǎng)絡(luò)生成階段，我們選取ANC(AttributedNetworkswithCommunitiesGenerator)的方法來生成網(wǎng)絡(luò)的拓撲結(jié)構(gòu)。其優(yōu)點是可以生成帶有社區(qū)結(jié)構(gòu)的網(wǎng)絡(luò)，更加貼近真實網(wǎng)絡(luò)的生成過程，也可以更好地評估socioDim這類利用社區(qū)結(jié)構(gòu)進行分類的方法。在網(wǎng)絡(luò)屬性方面，我們著重分析同質(zhì)性h，標簽分布比例ld以及網(wǎng)絡(luò)的拓撲結(jié)構(gòu)T。拓撲結(jié)構(gòu)T重點關(guān)注密度和社區(qū)結(jié)構(gòu)的影響。需要注意的是，在分類過程已知節(jié)點的標注比例LP也會對分類性能產(chǎn)生影響。例如以下兩種情況：LP＝0.9，即網(wǎng)絡(luò)中90％的節(jié)點類別已知，來預(yù)測10％的未知節(jié)點；LP＝0.1即網(wǎng)絡(luò)中10％的節(jié)點類別已知，來預(yù)測90％的未知節(jié)點?？梢悦黠@的看出，同樣的方法在兩種情況下得到的準確度是不同的，后者的情況預(yù)測過程會更加困難。對于LP＝0.1這類情況下的分類，其屬于稀疏標注的問題，近些年來也得到了廣泛關(guān)注。雖然在下面的實驗中，我們也會展示LP也會對分類性能帶來的影響，但是我們并不將其劃入網(wǎng)絡(luò)屬性中。這是因為，我們認為其并沒有在網(wǎng)絡(luò)的生成過程中起到任何作用，也沒有反映出網(wǎng)絡(luò)生成過程的任何規(guī)律。LP的變化只是在一個已經(jīng)標注完全的數(shù)據(jù)集上的測試手段，用來測試分類方法在大數(shù)據(jù)時代標注稀疏情況下的泛化能力而已。下面將驗證給定的3種有代表性的分類方法，受不同網(wǎng)絡(luò)屬性的影響程度。1.固定同質(zhì)性h、標簽分布比例ld，變化網(wǎng)絡(luò)的拓撲結(jié)構(gòu)T。設(shè)定節(jié)點數(shù)量為500，變化T生成4個仿真網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，參數(shù)如表1。表1：我們固定h＝0.6，ld＝0.5，生成每個網(wǎng)絡(luò)的標簽。在仿真每個網(wǎng)絡(luò)上，我們設(shè)定不同的標注比例LP(from0.5to0.9)，測試3種方法在上述數(shù)據(jù)集上的表現(xiàn)。其中socioDim方法需要設(shè)定隱含社交維度的數(shù)量d，由于其普遍采取社區(qū)發(fā)現(xiàn)算法來抽取隱含的社交維度，因此我們設(shè)定d＝k，即為生成網(wǎng)絡(luò)時指定的社區(qū)個數(shù)。結(jié)果如表2所示。表2：CN0.50.60.70.80.9k＝40.583360.57510.5841330.57360.5656k＝400.58120.58460.5845330.58140.5824k＝800.577840.57460.5773330.58620.5884k＝1000.552880.55650.5541330.56840.5468wvRN0.50.60.70.80.9k＝40.60320.5980.6005330.60260.6016k＝400.588240.59060.59520.59760.6012k＝800.573120.57230.57360.58340.5868k＝1000.574880.58350.5937330.61260.5996socioDim0.50.60.70.80.9k＝40.596920.602580.603440.609180.615k＝400.5894080.597440.60360.604840.60844k＝800.5885840.593590.600320.605440.615k＝1000.5465920.548050.5570270.566020.57688可以看出，當其他參數(shù)固定，而網(wǎng)絡(luò)拓撲結(jié)構(gòu)發(fā)生變化的時候，都會直接影響分類方法的表現(xiàn)。這是由于在網(wǎng)絡(luò)拓撲結(jié)構(gòu)發(fā)現(xiàn)變化的時候，邊的數(shù)量和結(jié)構(gòu)會影響協(xié)同分類的性能。因此，wvRN雖然只依賴于直接鄰居節(jié)點，但是由于采取協(xié)同推理機制，使得其在不同拓撲結(jié)構(gòu)上的表現(xiàn)也有所波動。CN和socioDim方法在前三個網(wǎng)絡(luò)上表現(xiàn)較為穩(wěn)定，而在最后一個網(wǎng)絡(luò)上表現(xiàn)較差。這是由于在我們限制網(wǎng)絡(luò)中邊的比例的情況下，繼續(xù)增加社區(qū)數(shù)量會導(dǎo)致網(wǎng)絡(luò)出現(xiàn)多個聯(lián)通片。這使得CN方法中，節(jié)點的局部結(jié)構(gòu)變化較為明顯，一些較小的聯(lián)通片中，未知節(jié)點的共同鄰居數(shù)量變少，對CN的分類表現(xiàn)產(chǎn)生了一定的影響。對于socioDim方法來說，當我們設(shè)定其社交維度與真實網(wǎng)絡(luò)中的社區(qū)數(shù)量一致的時候，其表現(xiàn)較為穩(wěn)定。而在網(wǎng)絡(luò)出現(xiàn)聯(lián)通片后，其會認定較小的聯(lián)通片中的節(jié)點同屬于一個社交維度，因此對其中的節(jié)點的區(qū)分能力變差。因此，在評估不同分類方法表現(xiàn)的時候，必須要注意到拓撲結(jié)構(gòu)對分類性能的影響。2.固定同質(zhì)性h、網(wǎng)絡(luò)的拓撲結(jié)構(gòu)T，變化標簽分布比例ld。設(shè)定節(jié)點數(shù)量為500，社區(qū)數(shù)量為4，生成一個仿真網(wǎng)絡(luò)的拓撲結(jié)構(gòu)。繼而固定h＝0.6，變化1d的值(from0.5to0.9)，生成每個網(wǎng)絡(luò)的標簽。在仿真每個網(wǎng)絡(luò)上，我們設(shè)定不同的標注比例LP(from0.5to0.9)，測試3種方法在上述數(shù)據(jù)集上的表現(xiàn)。結(jié)果如表3所示。表3：CNlp＝0.5lp＝0.6lp＝0.7lp＝0.8lp＝0.9ld＝0.50.583360.57510.5841330.57360.5656ld＝0.60.594480.59420.6101330.60520.5992ld＝0.70.697280.6910.6980.70080.7124ld＝0.80.80280.80230.7954670.79660.796ld＝0.90.900960.90430.9069330.89320.8996socioDimlp＝0.5lp＝0.6lp＝0.7lp＝0.8lp＝0.9ld＝0.50.5958880.602240.603360.607180.61332ld＝0.60.590120.592610.59540.597860.59892ld＝0.70.7010240.699960.6970130.699660.70092ld＝0.80.8002960.801630.800520.80080.80148ld＝0.90.90060.900890.9009330.900860.90132wvRNlp＝0.5lp＝0.6lp＝0.7lp＝0.8lp＝0.9ld＝0.50.60320.5980.6005330.60260.6016ld＝0.60.600480.60180.6165330.61320.6064ld＝0.70.67680.67830.68440.68860.7068ld＝0.80.778640.78170.7829330.78760.7868ld＝0.90.870960.87760.8870670.880.8896可以看出，隨著網(wǎng)絡(luò)中節(jié)點的標簽分布比例發(fā)生變化，三種方法的準確度都有著明顯的變化，說明分類方法對于標簽分布比例的變化是較為敏感的。標簽分布比例的升高，意味著網(wǎng)絡(luò)中某一類標簽(假設(shè)標簽為LO)的節(jié)點占據(jù)了多數(shù)。對于wvRN來說，雖然只利用了局部的鄰居節(jié)點，但當大量的鄰居節(jié)點擁有標簽LO的時候，wvRN方法也會傾向于將節(jié)點分為LO。CN方法由于使用了網(wǎng)絡(luò)中所有節(jié)點參與分類，因此當網(wǎng)絡(luò)中某一類別的節(jié)點占絕大多數(shù)的時候，其傾向于將節(jié)點分為該多數(shù)類。socioDim方法包含有訓練SVM模型的過程，因此當訓練集中某一分類的比例占多數(shù)時，其也傾向于將節(jié)點分為該多數(shù)類。因此，在面對非平衡數(shù)據(jù)的分類任務(wù)時，節(jié)點分類方法需要引入控制策略(例如，可以選取top-K，或者加大多數(shù)類的懲罰因子等)來應(yīng)對不平衡分類帶來的挑戰(zhàn)。同時我們發(fā)現(xiàn)，在上面的過程分類過程中，已知節(jié)點的標注比例變化(from0.5to0.9)對于分類性能的影響相對較小。這是由于在網(wǎng)絡(luò)的標簽生成過程中，我們先按照統(tǒng)一的模式生成所有節(jié)點的標簽特征，進而通過隨機的方式指定訓練和測試集合，這樣可以有效地保證測試集和訓練集的特征分布一致，能夠更好地評估分類方法的性能。因此，當節(jié)點標注比例發(fā)生變化的時候?qū)Ψ诸愋阅艿挠绊戄^小。然而，我們將在下一節(jié)的實驗中看到，當網(wǎng)絡(luò)中其它特征發(fā)生變化的時候，如果分類方法的表現(xiàn)與此特征密切相關(guān)的時候，LP的變化也會對分類性能有著較為明顯的影響。3.固定標簽分布比例1d、網(wǎng)絡(luò)的拓撲結(jié)構(gòu)T，變化同質(zhì)性h。設(shè)定節(jié)點數(shù)量為500，社區(qū)數(shù)量為4，生成一個仿真網(wǎng)絡(luò)的拓撲結(jié)構(gòu)。繼而固定ld＝0.5，變化h的值(from0.4to0.8)，生成每個網(wǎng)絡(luò)的標簽。在仿真每個網(wǎng)絡(luò)上，我們設(shè)定不同的標注比例LP(from0.5to0.9)，測試3種方法在上述數(shù)據(jù)集上的表現(xiàn)。結(jié)果如表4所示。表4：CNlp＝0.5lp＝0.6lp＝0.7lp＝0.8lp＝0.9h＝0.40.548720.5380.5561330.56420.5736h＝0.50.5020.5060.5069330.49620.51h＝0.60.584640.58560.5866670.58340.5736h＝0.70.682320.66960.6754670.68220.6776h＝0.80.761120.75770.7562670.74460.7548socioDim4lp＝0.5lp＝0.6lp＝0.7lp＝0.8lp＝0.9h＝0.40.5378480.543690.5491470.556380.55912h＝0.50.4880240.487530.4872130.48780.48948h＝0.60.5960480.599240.6036670.610640.61016h＝0.70.6359360.636930.6392670.641820.64196h＝0.80.7417760.74390.744720.745860.74144wvRNlp＝0.5lp＝0.6lp＝0.7lp＝0.8lp＝0.9h＝0.40.30960.27410.2381330.20180.1496h＝0.50.512240.51470.51960.52060.5172h＝0.60.601040.60570.6080.60980.6116h＝0.70.69680.68920.6954670.70760.7096h＝0.80.77320.77080.7710670.76480.786網(wǎng)絡(luò)的同質(zhì)性等于網(wǎng)絡(luò)中相鄰的兩個節(jié)點類別相同的邊的比例。wvRN依賴于節(jié)點的直接鄰居進行分類，在同質(zhì)性較低的網(wǎng)絡(luò)中，大多數(shù)鄰居節(jié)點與未知節(jié)點的類別不同，因此其在同質(zhì)性較低的網(wǎng)絡(luò)中表現(xiàn)較差。而隨著同質(zhì)性的增加，鄰居節(jié)點傾向于擁有相同的類別，因此wvRN方法的表現(xiàn)也有大幅提高。另外我們發(fā)現(xiàn)，在同質(zhì)性較低的時候(h＝0.4)，wvRN在標注比例較低的時候的表現(xiàn)，反而比標注比例高的時候要好。這是由于在h＝0.4的時候，鄰居節(jié)點之間傾向于擁有不同的類別，因此，當已知節(jié)點為90％的時候，這樣現(xiàn)象會更加明顯，因為未知節(jié)點的鄰居節(jié)點大多數(shù)都是已知的，都會參與分類過程，會使得準確度較低；相反，當已知節(jié)點為50％的時候，未知節(jié)點的鄰居節(jié)點大多數(shù)是未知的，這會使得同質(zhì)性的影響稍稍減弱，反而有利于wvRN方法得到較為滿意的結(jié)果。CN方法依賴于共同鄰居進行分類，因此可以克服同質(zhì)性帶來的影響，在同質(zhì)性較低的網(wǎng)絡(luò)上也有較好表現(xiàn)。而當同質(zhì)性增加到一定程度的時候，絕大部分鄰居節(jié)點都傾向于擁有相同的類別，因此在局部結(jié)構(gòu)中，未知節(jié)點與大部分已知節(jié)點都傾向于擁有相同的類別，因此準確度也有所提升。同樣的，socioDim利用網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)進行分類，因此其受同質(zhì)性的影響也相對較小。而當網(wǎng)絡(luò)的同質(zhì)性增高的時候，同一個社區(qū)內(nèi)部連接較為緊密，其內(nèi)部傾向于擁有相同的類別，也會使得其分類性能有所提升。此外我們發(fā)現(xiàn)，在h＝0.5的時候，二者的準確度都有一個明顯的降低。這是由于在h＝0.5的時候，網(wǎng)絡(luò)中50％的邊的頂點類別相同，而另外50％的邊頂點類別不同，這說明網(wǎng)絡(luò)中節(jié)點的連接情況較為隨機，沒有明顯的規(guī)律出現(xiàn)，因此無論是利用共同鄰居還是社區(qū)結(jié)構(gòu)，都無法在這種隨機特征的網(wǎng)絡(luò)中得到滿意的分類結(jié)果。本發(fā)明設(shè)計了一個標簽網(wǎng)絡(luò)的生成框架，用來評估分類方法在不同網(wǎng)絡(luò)屬性下的表現(xiàn)。為了保證生成的仿真網(wǎng)絡(luò)更加接近真實網(wǎng)絡(luò)，該方法可以集成不同的拓撲結(jié)構(gòu)生成方法，極大地拓展了其應(yīng)用領(lǐng)域。在標簽生成階段，重點關(guān)注同質(zhì)性與標簽分布比例對分類方法的影響。實驗表明，本發(fā)明提供的方法可以快速地生成滿足要求的標簽網(wǎng)絡(luò)，能夠有效地評估不同分類方法的適用領(lǐng)域。當前第1頁1 2 3