link-prediction 的项目扩展与二次开发

项目的基础介绍

本项目是一个用于社交网络中链接预测的机器学习实验仓库。它包含了多种链接预测方法的应用，以及对这些方法在SNAP Facebook数据集、SNAP Twitter数据集以及随机网络上的性能评估。项目的目标是探索和比较不同链接预测方法的效果，并通过实验得出每种方法的ROC AUC、平均精度和运行时间。

项目的核心功能

• 实现和测试了多种链接预测方法，包括图自动编码器、Node2Vec/DeepWalk、谱聚类以及基线指数（如Adamic/Adar、Jaccard系数、偏好连接）。
• 在不同的社交网络数据集上运行链接预测实验，并比较各种方法的性能。
• 提供了用于网络可视化和网络统计的辅助脚本和notebooks。

项目使用了哪些框架或库？

• Python 2.7（或更高版本）
• TensorFlow（1.0或更高版本）
• NetworkX
• Gensim
• Scikit-learn
• Scipy
• Jupyter Notebook
• Pandas

项目的代码目录及介绍

• facebook/: 包含原始的Facebook ego网络数据集，以及添加了.allfeats文件的ego网络。
• fb-processed/: 包含每个ego网络以及合并网络的(adjacency_matrix, feature_matrix)元组的Pickle存储。
• twitter/: 包含Twitter ego网络数据集（合并），以及邻接矩阵的Pickle存储。
• visualizations/: 包含使用networkx和matplotlib生成的每个网络的可视化。
• network-statistics/: 包含预计算的每个网络特性的.txt和.pkl文件，包括连通性、网络大小等信息。
• train-test-splits/: 包含预处理的Facebook ego网络的train-test splits的Pickle存储。
• process-ego-networks.py: 用于处理原始Facebook数据并生成Pickle存储的脚本。
• process-combined-network.py: 用于合并Facebook ego网络并生成完整的网络Pickle存储的脚本。
• process-twitter-network.py: 用于处理原始Twitter数据并生成Pickle存储的脚本。
• fb-train-test-splits.py: 用于生成和存储每个Facebook ego网络的train-test splits的脚本。
• twitter-train-test-splits.py: 用于生成和存储Twitter合并网络的train-test splits的脚本。

对项目进行扩展或者二次开发的方向

1. 算法扩展：可以在项目中添加更多的链接预测算法，比如基于矩阵分解的方法或其他最新的图神经网络技术。
2. 数据集扩展：增加更多社交网络数据集，以便验证算法在不同类型和规模的网络上的性能。
3. 性能优化：针对现有算法进行性能优化，提高计算效率和预测准确性。
4. 用户界面：开发一个用户友好的界面，让非技术人员也能轻松运行实验和查看结果。
5. 可视化工具：增强可视化工具的功能，提供更丰富的图形展示和网络分析特性。
6. 模块化：将项目模块化，使得每个部分都可以独立运行和更新，方便维护和扩展。