节点相似性指标非常重要,在链路预测、节点聚类、个性化推荐、社团挖掘方面应用都很广泛，我就不一一说了。我们认为，一个指标如果要好，必然有相当的稳定性。举个例子，如果给定一个网络G，我把它所有边随机分成两个部分A1和A2，分别用这两个部分计算节点对的相似性。那么一个好的指标，虽然用的信息变少了，针对A1和A2计算出来的相似性排序应该有很大的相关性。反过来，一个烂指标，很可能A1算出来的相似性和A2算出来的相似性差别非常大。

   我们针对15种相似性指标，在大量的人造网络和真实网络中作了实验，发现相似性的指标稳定性有很大差异，而常见的共同邻居相似性（CN），AA Index和RAIndex稳定性很好。特别地，我们用这些方法作了个性化推荐的实验，发现用稳定性好的相似性指标，效果很好；反过来用稳定性差的相似性指标，效果不佳，会给出很多不正确的推荐。

论文：

J.-G. Liu, L. Hou, X. Pan, Q. Guo, T. Zhou, Stability ofsimilarity measurements for bipartite networks, Scientific Reports 6 (2016)18653.

全文免费下载链接：