Complex networks are representations of real-world systems that can be better modeled as multiplex networks, where the same nodes develop multi-type connections. One of the important concerns about these networks is link prediction, which has many applications in social networks and recommender systems. In this article, similarity-based methods such as common neighbors (CNs) are the mainstream. However, in the CN method, the contribution of each CN in the likelihood of new connections is equally taken into account. In this work, we propose a new link prediction method namely Weighted Common Neighbors (WCN), which is based on CNs and various types of Centrality measures (including degree, k-core, closeness, betweenness, Eigenvector, and PageRank) to predict the formation of new links in multiplex networks. So, in this model, each CN has a different impact on the node connection likelihood. Moreover, we investigate the impact of interlayer information on improving the performance of link prediction in the target layer. Using Area under the ROC Curve and precision as evaluation metrics, we perform a comprehensive experimental evaluation of our proposed method on seven real multiplex networks. The results validate the improved performance of our proposed method compared with existing methods, and we show that the performance of proposed methods is significantly improved while using interlayer information in multiplex networks.

中文翻译：

---

中心性度量对复用网络链路预测中公共邻居的影响

复杂网络是现实世界系统的表示，可以更好地建模为多路网络，其中相同的节点开发多种类型的连接。这些网络的一个重要问题是链接预测，它在社交网络和推荐系统中有许多应用。在本文中，基于相似性的方法，例如公共邻居（CNs）是主流。然而，在 CN 方法中，每个 CN 在新连接可能性中的贡献被同等考虑。在这项工作中，我们提出了一种新的链接预测方法，即加权公共邻居（WCN），它基于 CNs 和各种类型的中心性度量（包括度、k-core、接近度、介数、特征向量和 PageRank）来预测在多路复用网络中形成新的链路。所以，在这个模型中，每个 CN 对节点连接可能性的影响不同。此外，我们研究了层间信息对提高目标层链路预测性能的影响。使用 ROC 曲线下的面积和精度作为评估指标，我们在七个真实的多路复用网络上对我们提出的方法进行了全面的实验评估。结果验证了我们提出的方法与现有方法相比的改进性能，并且我们表明，在多路复用网络中使用层间信息时，提出的方法的性能得到了显着提高。我们在七个真实的多路复用网络上对我们提出的方法进行了全面的实验评估。结果验证了我们提出的方法与现有方法相比的改进性能，并且我们表明，在多路复用网络中使用层间信息时，提出的方法的性能得到了显着提高。我们在七个真实的多路复用网络上对我们提出的方法进行了全面的实验评估。结果验证了我们提出的方法与现有方法相比的改进性能，并且我们表明，在多路复用网络中使用层间信息时，提出的方法的性能得到了显着提高。