摘要：链路预测已经逐渐成为一个热门的研究领域。链路预测的根本要求是能够对网络中新产生的链路进行准确而有效的预测，其中链路预测评价方法的选择是其中重要的因素。

链路预测的评价方法主要有AUC（ROC曲线下的面积）、精确度( Precision)、F1-score、精度（Accuracy）等。这些指标对链路预测的衡量方向不同。本毕业设计主要研究AUC以及精确度两种算法，这两种算法能有效的检验链路预测的准确性。在研究当中首先对共同邻居提取结构特征进行预测，利用Python语言编程在Karate、Condmat、DBLP网络实现链路预测评价方法的指标分析，实验结果发现AUC指标在Condmat网络准确性最高，模型区分能力最高；在DBLP网络准确性中等；在Karate网络准确性最低，模型的区分能力与随机猜测几乎没有差别。Precision指标在Condmat网络和DBLP网络结果相近，同样具有很高的预测准确性，在Karate网络值较低，预测结果有较低的准确性。

关键词：链路预测；Python；AUC；精确度（Precision） 

目录

摘要

Abstract

1 绪论-1

1.1研究背景与意义-1

1.2国内外研究现状-1

1.3本文主要研究内容-2

2 相关理论技术-3

2.1 Python技术-3

2.2构建网络-3

2.2.1 Karate网络-3

2.2.2 Condmat网络-3

2.2.3 DBLP网络-3

2.3 共同邻居结构特征提取-4

2.3.1 CN指标-4

2.3.2 AA指标-4

2.3.3 RA指标-4

2.4 评价方法-5

2.4.1 AUC-5

2.4.2精确度（Precision）-7

2.4.3 F1值（F1-Score）-8

2.4.4精度（Accuracy）-9

2.5 本章小结-9

3 评价方法测试-10

3.1系统测试-10

3.2网络数据实验-11

3.2.1 Karate网络运行结果-11

3.2.2 Condmat网络运行结果-13

3.2.3 DBLP网络运行结果-15

3.3 结论-17

3.4 本章小结-17

结    论-18

参 考 文 献-19

附    录-21

致    谢-28