基于属性网络表示学习的链接预测算法
发布时间：2021-04-02 15:48
网络链接预测是指通过网络结构信息及节点属性信息等网络历史信息预测2个节点之间产生新的链接关系的可能性。网络链接预测是网络分析的基础任务,在异常检测、推荐系统等方面有重要应用。网络表示学习旨在通过无监督方法,将符号化的数据编码到低维、稠密的向量空间中,从而更好地应用于机器学习任务中。由于真实网络数据极其稀疏,现有的模型在链接预测的表现上存在一定的提升空间。针对该问题,文章提出一种基于网络表示学习的属性网络链接预测算法（attributed network embedding based link prediction,ANE-LP）。首先有效提取网络结构信息和节点属性信息,并且通过深度网络结构将网络中各节点表征到低维、稠密向量空间;然后通过相似度度量模型重新定义出邻居节点间的关系;最后在2个真实数据集上进行实验验证。实验结果表明,基于网络特征学习的链接预测算法与其他方法相比更优越。
【文章来源】：合肥工业大学学报(自然科学版). 2020,43(11)北大核心
【文章页数】：5 页
【部分图文】：
ANE-LP模型
属性网络表示学习模型如图1所示。属性网络是由大量节点、节点属性以及节点之间复杂链接关系共同构成的网络结构,如图1左侧所示。网络特征学习是将网络中每一个节点都映射到一个低维向量空间,并且在此空间内保持原有图的结构信息或属性信息。有链接关系和属性相似的点映射到特征向量空间中距离较近,如图1所示。相反,如果2个节点之间不存在关系,那么对应的特征向量相似度较低。关系越紧密的节点对存在链接关系的概率越大,在特征空间中距离越近,因此网络特征学习可以有效地应用于链接预测任务中。近年来,网络表示学习引起了大量研究者的关注。文献[6]提出了DeepWalk算法,先采用截断随机游走模型将图结构采样成线性节点序列,然后利用skip-gram模型从大量的线性节点序列中学习网络节点的特征向量表示;文献[7]提出的(large-scale informotion netwrok embedding,LINE)算法,设计了一个新的优化目标函数,可以很好地学习出图结构中的一阶信息和二阶信息。近年来,考虑到网络中的节点本身包含丰富的属性信息,文献[8]提出了TADW(text-associated DeepWalk),该框架基于矩阵分解将文本信息以一个子矩阵方式加入,学习到更为丰富的网络节点特征向量。近年来,深度学习在图像处理、视频处理以及自然语言处理方向上取得了很好的效果,也吸引了许多学者将其用于网络节点特征向量的学习。基于深度学习的模型SDNE(structural deep network embedding)[9],通过取自编码模型的中间层作为节点二阶相似性的向量表示,通过平衡有连边的点的向量距离来考虑节点的一阶相似性。SDNE良好的实验效果验证了深度学习模型在学习网络节点特征向量时的强大能力。然而,上述模型并没有具体研究如何将学习出的节点特征向量有效应用于链接预测任务中。
对比方法选择LINE模型[7] 、DeepWalk模型[6]、AutoRec模型[5]。LINE和DeepWalk模型是经典网络表示学习模型。通过与经典网络表示学习模型对比可以发现,ANE-LP模型比传统网络表示在链接预测方面的效果更好。AutoRec模型[5]是一种多层网络链接预测模型,它利用稀疏数据深入挖掘用户信息,实现更好的链接预测。通过与基于深度学习的链接预测模型对比,可以发现网络表示学习在链接预测任务中的有效作用。实验过程中取数据集中80%的点作为训练集、10%的点作为测试集、10%的点作为验证集。采用精确度、NDCG(normalized discounted cumulative Gain)[19]2个指标来评估ANE-LP模型及对比模型在链接预测任务中的效果。在不同的K值情形下,ANE-LP模型与其他模型的对比结果如图3所示。实验表明,在不同的K值情形下,相对于其他模型,ANE-LP模型在精确度和NDCG评价指标下均取得了最优效果。其中DeepWalk和LINE表现效果均优于AutoRec,且DeepWalk效果又比LINE略好。由于DeepWalk和LINE均是基于网络表示模型实现链接预测的,可以有效针对网络数据稀疏的特点。另外,考虑用户之间潜在联系使得模型表示能力更强,可以更好地学习用户特征向量。DeepWalk、LINE相比于ANE-LP,没有考虑用户的个性化信息。综上所述,融合了用户个性化信息的模型能够取得更优的预测效果。
【参考文献】：
期刊论文
[1]基于网络表示学习与随机游走的链路预测算法[J]. 刘思,刘海,陈启买,贺超波. 计算机应用. 2017(08)
[2]网络表示学习[J]. 陈维政,张岩,李晓明. 大数据. 2015(03)
[3]复杂网络链路预测[J]. 吕琳媛. 电子科技大学学报. 2010(05)
本文编号：3115524
【文章来源】：合肥工业大学学报(自然科学版). 2020,43(11)北大核心
【文章页数】：5 页
【部分图文】：
ANE-LP模型
属性网络表示学习模型如图1所示。属性网络是由大量节点、节点属性以及节点之间复杂链接关系共同构成的网络结构,如图1左侧所示。网络特征学习是将网络中每一个节点都映射到一个低维向量空间,并且在此空间内保持原有图的结构信息或属性信息。有链接关系和属性相似的点映射到特征向量空间中距离较近,如图1所示。相反,如果2个节点之间不存在关系,那么对应的特征向量相似度较低。关系越紧密的节点对存在链接关系的概率越大,在特征空间中距离越近,因此网络特征学习可以有效地应用于链接预测任务中。近年来,网络表示学习引起了大量研究者的关注。文献[6]提出了DeepWalk算法,先采用截断随机游走模型将图结构采样成线性节点序列,然后利用skip-gram模型从大量的线性节点序列中学习网络节点的特征向量表示;文献[7]提出的(large-scale informotion netwrok embedding,LINE)算法,设计了一个新的优化目标函数,可以很好地学习出图结构中的一阶信息和二阶信息。近年来,考虑到网络中的节点本身包含丰富的属性信息,文献[8]提出了TADW(text-associated DeepWalk),该框架基于矩阵分解将文本信息以一个子矩阵方式加入,学习到更为丰富的网络节点特征向量。近年来,深度学习在图像处理、视频处理以及自然语言处理方向上取得了很好的效果,也吸引了许多学者将其用于网络节点特征向量的学习。基于深度学习的模型SDNE(structural deep network embedding)[9],通过取自编码模型的中间层作为节点二阶相似性的向量表示,通过平衡有连边的点的向量距离来考虑节点的一阶相似性。SDNE良好的实验效果验证了深度学习模型在学习网络节点特征向量时的强大能力。然而,上述模型并没有具体研究如何将学习出的节点特征向量有效应用于链接预测任务中。
对比方法选择LINE模型[7] 、DeepWalk模型[6]、AutoRec模型[5]。LINE和DeepWalk模型是经典网络表示学习模型。通过与经典网络表示学习模型对比可以发现,ANE-LP模型比传统网络表示在链接预测方面的效果更好。AutoRec模型[5]是一种多层网络链接预测模型,它利用稀疏数据深入挖掘用户信息,实现更好的链接预测。通过与基于深度学习的链接预测模型对比,可以发现网络表示学习在链接预测任务中的有效作用。实验过程中取数据集中80%的点作为训练集、10%的点作为测试集、10%的点作为验证集。采用精确度、NDCG(normalized discounted cumulative Gain)[19]2个指标来评估ANE-LP模型及对比模型在链接预测任务中的效果。在不同的K值情形下,ANE-LP模型与其他模型的对比结果如图3所示。实验表明,在不同的K值情形下,相对于其他模型,ANE-LP模型在精确度和NDCG评价指标下均取得了最优效果。其中DeepWalk和LINE表现效果均优于AutoRec,且DeepWalk效果又比LINE略好。由于DeepWalk和LINE均是基于网络表示模型实现链接预测的,可以有效针对网络数据稀疏的特点。另外,考虑用户之间潜在联系使得模型表示能力更强,可以更好地学习用户特征向量。DeepWalk、LINE相比于ANE-LP,没有考虑用户的个性化信息。综上所述,融合了用户个性化信息的模型能够取得更优的预测效果。
【参考文献】：
期刊论文
[1]基于网络表示学习与随机游走的链路预测算法[J]. 刘思,刘海,陈启买,贺超波. 计算机应用. 2017(08)
[2]网络表示学习[J]. 陈维政,张岩,李晓明. 大数据. 2015(03)
[3]复杂网络链路预测[J]. 吕琳媛. 电子科技大学学报. 2010(05)
本文编号：3115524
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3115524.html
