改进的异构链路协同预测算法研究

现有的链路预测方法无法保证预测的可靠性,应用局限性较大。为此,针对源节点相似节点和目标节点相似节点之间的当前链路信息,提出同质连接原理,设计不同类型节点的相关性指标,用于描述不同类型节点间的链路存在概率,并将其与传统的邻近性指标相结合,用于异构链路预测。融合异构信息网络中的被标记数据和无标记数据,给出一种异构链路协同预测算法,通过获得不同类型链路间的各种复杂关系,结合互补性预测信息,实现多种链路类型的协同预测。实验结果表明,该链路协同预测算法可有效提升异构信息网络的链路预测性能。     

一种基于元路径的异质信息网络链路预测模型

真实世界中不同类型的对象之间相互连接,形成异质信息网络.预测网络中对象之间的连接或交互是网络分析中的一个重要任务.不同于传统的同质性网络的链路预测,异质信息网络中,由于存在多种类型的节点和边,节点之间可以通过不同的关系进行连接.文中使用元路径,即通过一组关系连接了多种节点类型的路径,来描述异质信息网络中不同类型对象之间各种连接的不同语义,从而提出一种异质信息网络链路预测模型,通过组合对象之间在不同元路径上建立连接的概率来进行链路预测.在DBLP和Last.fm两个真实数据集上的实验结果表明:在7种关系的链路预测中,相比最好的基准方法,文中方法的AUC值平均提升了5.93%;另外,在链路预测中,通过元路径区分不同类型的节点和边之后,预测精度得到了明显提升;最后,为了平衡预测精度和模型的可扩展性,实验分析表明链路预测中仅考虑路径长度小于5的元路径就已经足够产生很好的预测结果.     

融合潜在狄利克雷分布与元路径分析的用户相关性度量方法

用户相关性度量是异构信息网络研究的基础与核心。现有的用户相关性度量方法由于未充分开展多维度分析和链路分析,其准确性尚存在提升空间。为此,提出了一种融合狄利克雷分布（LDA）与元路径分析的用户相关性度量方法。首先利用LDA进行主题建模,通过分析网络中节点的内容来计算节点的相关性;然后,引入元路径来刻画节点间关系类型,通过关联度量（DPRel）方法对异构信息网络中的用户进行相关性测量;接着,将节点的相关性融入到用户相关性度量计算中;最后,采用IMDB真实电影数据集进行实验,将所提方法和嵌入LDA主题模型的协同过滤推荐方法（ULR-CF）、基于元路径的相关性度量方法（PathSim）进行了对比分析。实验结果表明,所提方法能够克服数据稀疏性弊端,提高用户相关性度量的准确性。     

非对称异构信息网络的模糊推荐算法

传统的协同过滤推荐算法存在普遍的数据稀疏性问题;应用于推荐算法领域的异构信息网络模型对对象的相似关系认定通常是对称的,这种对称关系的认定在实际问题的处理中存在局限性。为解决上述问题,提出一种非对称异构信息网络的模糊推荐算法。该算法利用模糊集理论在处理用户喜好程度方面的优势,从模糊的信息种获取用户的准确偏好,根据异构信息网络中元路径的丰富语义信息,获取不同角度的用户关联,在相似度计算中引入对象关系的非对称系数,对不同特征元路径的计算结果进行加权,以此提高用户之间相似关系的准确度,通过矩阵分解的方法实现评分预测。实验结果表明,该算法有效解决了数据稀疏性问题,提升了推荐精度。     

异构信息网络上基于图正则化的半监督学习

现实世界中存在着大量包含多种类型的对象和联系的异构信息网络,从中挖掘信息获取知识已成为当前的研究热点之一．基于图正则化的半监督学习在近年来得到了广泛的研究,然而,现有的半监督学习算法大都只能应用于同构网络．基于同构节点和异构节点的一致性假设,提出了任意结构的异构信息网络上的半监督学习的正则化分类函数,并得到分类函数的闭式解,以此预测未标记节点的类别．提出了异构信息网络上的半监督学习的迭代框架,标记节点的信息可以在邻近的节点上迭代传播,直至达到稳定状态,并证明了迭代算法将收敛于正则化分类函数的闭式解．DBL P数据集上的实验表明该方法优于经典的半监督学习算法．     

基于网络节点文本增强的链路预测算法

已有的链路预测算法主要是基于目标网络结构信息的,没有考虑到与目标网络相关的文本信息。针对此问题,提出一种基于网络节点文本增强的链路预测算法。将网络节点的文本内容融入到网络表示学习过程中,使学习得到的网络表示向量中含有节点的文本属性。通过余弦相似性算法构建出目标网络的相似度矩阵。在3个真实的数据集上做链路预测仿真实验。实验结果显示,相比于现存的多种链路预测算法,该算法预测结果的精确度有明显提升,同时能够有效且准确地挖掘网络中节点间的结构关联性和内部相关性。     

异质信息网络中演员合作关系的链路预测

在异质信息网络中,节点与链接的异质特性和复杂性会增加链路预测的难度。针对该问题,提出一种采用综合拓扑特征表示的链路预测方法。对不同的元路径根据异质和同质信息网络拓扑特征获得异质和同质数据,将逻辑回归模型作为链路预测模型,并综合拓扑特征进一步提高预测准确率。在异质的movielens电影数据集上进行实验,结果表明,该方法可有效提高异质信息网络演员合作关系的链路预测性能。     

基于节点交互度的社会网络链路预测

链路预测是通过已知的网络拓扑和节点属性挖掘未来时刻节点潜在关系的重要手段, 是预测缺失链路和识别虚假链路的有效方法, 在研究社会网络结构演化中具有现实意义. 传统的链路预测方法基于节点信息或路径信息相似性进行预测, 然而, 前者考虑指标单一导致预测精度受限, 后者由于计算复杂度过高不适合在规模较大网络中应用. 通过对网络拓扑结构的分析, 本文提出一种基于节点交互度(interacting degree of nodes, IDN)的社会网络链路预测方法. 该方法首先根据网络中节点间的路径特征, 引入了节点效率的概念, 从而提高对于没有公共邻居节点之间链路预测的准确性; 为了进一步挖掘节点间共同邻居的相关属性, 借助分析节点间共同邻居的拓扑结构, 该方法还创新性地整合了路径特征和局部信息, 提出了社会网络节点交互度的定义, 准确刻画出节点间的相似度, 从而增强网络链路的预测能力; 最后, 本文借助6个真实网络数据集对IDN方法进行验证, 实验结果表明, 相比于目前的主流算法, 本文提出的方法在AUC和Precision两个评价指标上均表现出更优的预测性能, 预测结果平均分别提升22%和54%. 因此节点交互度的提出在链路预测方面具有很高的可行性和有效性.     

异构文献网络节点重要性排名预测

异构文献网络中包括作者、论文、会议三种类型的学术节点以及它们之间五种不同类型的边,语义信息丰富。每个网络节点的重要性处于动态变化之中,其变化不仅仅与该节点的历史重要性有关,还需要考虑作者、论文、期刊/会议之间的关系对每个节点重要性预测的影响。异构文献网络结点重要性排名协同预测方法ICP首先根据每个学术节点的历史重要性进行函数建模,得到每个节点未来的重要性值,然后借鉴协同聚类的思想,根据不同类型节点间的关系来协同调节每个节点未来重要性值并完成预测。     

加权好友推荐模型链路预测算法

链路预测是复杂网络的一个重要研究方向。基于节点结构相似性进行链路预测是目前常用的方法。真实网络中存在大量的局部群落结构,针对不同的网络结构构建算法是链路预测的核心问题。利用社交网络好友推荐策略,中介人倾向于将自己更熟悉的人介绍给目标用户,提出了一种节点相似性度量指标。该指标结合局部特征描述并有效区分了用户节点之间影响力的不同,更适用于一类特定的局部群落结构。依据该指标提出的加权好友推荐模型链路预测算法在12个数据集上的实验结果表明,该算法在AUC和Precision两个评价标准上具有明显优势。     

基于节点亲密度的链路预测算法

链路预测作为复杂网络分析的一个重要分支,在不同领域中有着广泛的应用。现有的链路预测算法通常根据共同邻居节点的结构信息来度量节点对之间的相似性,忽略了节点对与其共同邻居节点之间的连接紧密程度。针对此问题,提出了一种基于节点亲密度的链路预测算法。该算法利用边聚集系数来测量节点对与其共同邻居节点之间的紧密程度,以AUC值作为链路预测的精确度评价指标。在4个真实网络上的实验结果表明,相比于其他相似性算法,所提出的算法提高了链路预测的预测精度。     

面向异质变分超图自动编码器的超边链接预测模型

如何采用超边建模网络数据中的多元关联关系,实现潜在超边链接关系的预测具有重要的现实意义。现有方法主要集中于研究具有成对关系的网络数据,然而,直接将现有的链接预测方法用于超图网络中的超边链接预测具有一定的局限性。因此,提出基于异质变分超图自动编码器的超边链接预测模型(heterogeneous variational hypergraph autoencoder,HVGAE)。首先,利用超图卷积实现变分超图自动编码器,将超图网络数据转换成一种低维空间表示;其次,加入节点近邻度函数,最大程度地保留其结构信息,从而构建异质超图网络超边链接预测模型。针对三种不同类型的超图网络进行实验,结果表明相比其他的基准方法,HVGAE模型获得了较好的预测结果,说明其能够较好地解决超图网络中的超边链接预测问题。     

基于元路径与节点属性的合著关系预测

在异构社会网络中,合著关系的预测是具有代表性的一类关系预测,与同构网络的链接预测方法在节点表示、网络构造等方面存在较大差异。综合考虑异构社会网络特有的元路径信息和节点属性特征,提出了节点的复合向量化表示：将节点的TF-IDF特征与基于Metapath2vec算法的向量化表示相结合;在元路径的表示上采取元路径中同类型节点归并重构的方法,以提取元路径中同类型节点间的隐含信息;并通过卷积神经网络（CNN）实现学术网络的合著关系预测。实验结果表明,节点的复合向量化表示及重构元路径方法可以更好地表征异构社会网络,与其他方法对比中均获得更好的预测评价指标。     

融合属性信息的异质网络嵌入方法

现有的异质网络嵌入方法不仅忽略了网络中的异质边及其对节点嵌入的不同影响,还未考虑到网络结构与节点属性的融合。为此提出了一种融合属性信息的异质网络嵌入方法（SHANE）。将序列到序列（seq2seq）模型应用到依据边类型划分的子图中,无缝融合节点的结构信息和属性信息,同时捕捉节点的高阶语义信息。实验表明,SHANE在两个不同类型的数据集中进行链接预测任务,可以取得相对显著的效果。     

非对称信息在链接预测中的应用

针对基于节点相似性的链接关系预测中因未考虑非对称信息导致预测准确度降低的问题,提出一种新的增加非对称信息的节点相似性度量方法。首先,分析了基于共同邻居（CN）的相似性度量算法的缺陷在于仅考虑CN的数量而未考虑各自节点的所有邻居的数量;然后,将节点之间的相似性度量定义为共同节点与所有邻居节点的比值,融合节点间对称相似信息和非对称相似信息,对节点间的相似程度进行深入细致的刻画;最后,将该方法应用到复杂网络中进行链接关系的预测。在真实数据集上的实验结果表明,与目前多种基于共邻的相似性度量方法——CN、AA、资源分配（RA）相比,所提方法提升了节点相似性度量的准确性,并且可以提高复杂网络中链接关系预测的准确度。     

基于时间信息的社会网络链接预测研究

在社会网络分析中链接预测尤为重要。文章关注社会网络中有权图的链接预测问题,提出了一些针对有权图的链接预测度量指标。基于网络中的两个节点在相近时间发布相近内容则相似性更大的假设,文章提出一个基于时间信息的链接预测方法。通过在一个博客数据集上的实验显示该方法相对于传统方法效果更好。     

基于聚类信息和对称非负矩阵分解的链路预测模型研究

现有的大部分基于非负矩阵分解的链路预测方法仅考虑网络拓扑结构信息而忽略节点与链接聚类信息.针对此问题,提出一个融合聚类信息的对称非负矩阵分解的链路预测模型.首先,该模型利用对称非负矩阵分解去捕获网络节点相似度信息;其次,使用基于Jaccard的节点和链接聚类系数去保持网络局部结构信息;最后,启用拉格朗日乘法规则去学习模型参数.在六个真实无向无权和四个加权网络上的实验结果表明,该方法在两种不同类型网络预测精确度分别提升了1.6％和8.9％.     

异质网中基于图卷积神经网络的链路预测方法

综合考虑异质信息网络具有的复杂性和异质性的特点,提出一种异质网中基于图卷积神经网络(heterogeneous graph convolution neural network embedding,HeGCNE)的链路预测方法.针对经典图卷积神经网络逐层传递规则的不足,提出改进的逐层传递规则,对异质节点进行表征学习,融...     

基于三元组结构的有向网链路预测方法

当前链路预测的研究主要集中在无向网络,然而现实世界中存在大量的有向网络,忽略链路的方向会缺失一些重要信息甚至使预测失去意义,而直接将无向网络的预测方法应用于有向网络又存在预测精度降低的问题。为此,提出了一个基于三元组的有向网络链路预测算法,该算法针对有向网络和无向网络三元组结构的不同,应用势理论对三元组进行筛选,通过统计分析不同三元组闭合的可能性,以网络整体三元组闭合指数作为权重计算节点间的相似性。在9个真实数据集上的实验表明,所提方法比基准方法的预测精度提高了4.3%。     

异质信息网络中基于网络嵌入的影响力最大化

针对当前大部分影响力最大化算法忽略了异质信息网络包含多种节点类型和多种关系类型,且不同类型节点在原始空间无法直接度量的问题,提出了一种异质信息网络中基于网络嵌入的影响力最大化模型（influence maximization based on network embedding,IMNE）,用于选择初始扩散节点实现影响力最大化。该模型不仅可以在对异质信息网络进行编码的同时表征异质信息网络中潜在的信息,还可以捕获不同类型节点间影响力的不确定和复杂性。在3个真实数据集上的实验验证了IMNE算法的有效性。