融合多元影响力节点识别指标MPR的链接预测
发布时间：2021-03-30 09:44
多元网络通常是指节点之间存在多种维度链接关系的图结构。多元网络链接预测算法在构建相似度指标时,多数仅考虑单一维度网络的拓扑结构属性,未挖掘不同维度子网络之间存在的关联,影响链接预测的效果。针对该问题,提出一种基于多元全局节点影响力识别指标MPR的多元网络链接预测算法。通过定义一个多维度节点影响力排序指标MPR,度量多元网络空间中影响力较大的节点,并把影响力排名函数转化为潜在节点对之间的相似度得分,从而应用到多元网络链接预测场景中。在2个真实多元网络数据集上的实验结果表明,该算法的预测效果优于PR、EDC、ANC等对比算法,且具有较好的稳定性。
【文章来源】：计算机工程. 2020,46(04)北大核心CSCD
【文章页数】：9 页
【部分图文】：
Querylog数据集的度分布
上述3个维度的关系不仅在逻辑上存在关联,在显式结构上也有关系,因此,在多元网络中,传统的基于单一维度网络(或称同构网络)的相似度算法并不能反映这种多元属性。图1展示了Student数据集中的2个维度(A,B)的局部网络结构,其中,虚线表示不同维度之间节点的链接关系,实线表示单一维度子网络内部的链接关系。可以看出,一个维度节点(A子网络的实心节点)的属性不仅受其所处维度子网络中其他节点(A子网络的空心节点)的影响,也受其他维度子网络节点(B子网络的实心节点)的影响。因此,在设计相似度链接预测算法时,应该把多元属性考虑进去。同时,由于链接的2个相同节点之间的多样化关系会产生多个互相影响的子网络,即一个子网络的拓扑属性变化通常会影响其他网络的属性变化,因此一种类型的子网络可以成为另一类型子网络关系变化的约束或推动力量[11]。图2和图3给出Querylog数据集的度和聚类系数分布关系,可以看出,不同子网络的结构存在相似性,可以充分利用多元属性各维度的相似性结构设计预测指标,这在单一同构网络中是无法实现的。图2 Querylog数据集的度分布
图2 Querylog数据集的度分布多元链接预测算法主要通过对维度之间的关联关系进行建模实现。文献[12]通过引入多元网络维度之间的相关性构建度相关、边相关等属性,拓展了CN、AA、RA等传统的相似度度量,设计了一系列新的预测指标。文献[13]定义了影响力传播和时序信息2种多维度特性,并由此构造出多维度链接预测指标MRIP(Multi-Relational Influence Propagation)和MRT(Multi-Relational Temporal Link Prediction)。文献[14]采用隐含空间网络模型提取子网络的低维因子,通过似然比来检验因子的相关性,并建立了一个冷启动的多维网络链接预测模型。但是,由于异构网络节点和链接的类型较为复杂,直接采用相似度计算方式进行链接预测比较困难。文献[15]模型虽然基于局部指标提供了快速的解决方案并取得了可接受的结果,但它并没有在多元网络全局视角下确定不同共同邻居各自的贡献度。此外,该模型利用路径和随机游走指标,根据节点之间较长的链接属性进行预测,其优点在于可从网络的准局部/全局视角构建,缺点是可能会忽略共同邻居的局部结构。一些基于邻接矩阵的全局指标能够充分利用网络全局属性,但是此类算法运行速度慢,难以平衡预测性能和计算效率。
【参考文献】：
期刊论文
[1]基于卷积神经网络的链接表示及预测方法[J]. 张林,程华,房一泉. 浙江大学学报(工学版). 2018(03)
[2]基于多网络数据协同矩阵分解预测蛋白质功能[J]. 余国先,王可尧,傅广垣,王峻,曾安. 计算机研究与发展. 2017(12)
[3]动态信息网络中基于角色的结构演化与预测[J]. 李川,冯冰清,李艳梅,胡绍林,杨宁,唐常杰. 软件学报. 2017(03)
本文编号：3109307
【文章来源】：计算机工程. 2020,46(04)北大核心CSCD
【文章页数】：9 页
【部分图文】：
Querylog数据集的度分布
上述3个维度的关系不仅在逻辑上存在关联,在显式结构上也有关系,因此,在多元网络中,传统的基于单一维度网络(或称同构网络)的相似度算法并不能反映这种多元属性。图1展示了Student数据集中的2个维度(A,B)的局部网络结构,其中,虚线表示不同维度之间节点的链接关系,实线表示单一维度子网络内部的链接关系。可以看出,一个维度节点(A子网络的实心节点)的属性不仅受其所处维度子网络中其他节点(A子网络的空心节点)的影响,也受其他维度子网络节点(B子网络的实心节点)的影响。因此,在设计相似度链接预测算法时,应该把多元属性考虑进去。同时,由于链接的2个相同节点之间的多样化关系会产生多个互相影响的子网络,即一个子网络的拓扑属性变化通常会影响其他网络的属性变化,因此一种类型的子网络可以成为另一类型子网络关系变化的约束或推动力量[11]。图2和图3给出Querylog数据集的度和聚类系数分布关系,可以看出,不同子网络的结构存在相似性,可以充分利用多元属性各维度的相似性结构设计预测指标,这在单一同构网络中是无法实现的。图2 Querylog数据集的度分布
图2 Querylog数据集的度分布多元链接预测算法主要通过对维度之间的关联关系进行建模实现。文献[12]通过引入多元网络维度之间的相关性构建度相关、边相关等属性,拓展了CN、AA、RA等传统的相似度度量,设计了一系列新的预测指标。文献[13]定义了影响力传播和时序信息2种多维度特性,并由此构造出多维度链接预测指标MRIP(Multi-Relational Influence Propagation)和MRT(Multi-Relational Temporal Link Prediction)。文献[14]采用隐含空间网络模型提取子网络的低维因子,通过似然比来检验因子的相关性,并建立了一个冷启动的多维网络链接预测模型。但是,由于异构网络节点和链接的类型较为复杂,直接采用相似度计算方式进行链接预测比较困难。文献[15]模型虽然基于局部指标提供了快速的解决方案并取得了可接受的结果,但它并没有在多元网络全局视角下确定不同共同邻居各自的贡献度。此外,该模型利用路径和随机游走指标,根据节点之间较长的链接属性进行预测,其优点在于可从网络的准局部/全局视角构建,缺点是可能会忽略共同邻居的局部结构。一些基于邻接矩阵的全局指标能够充分利用网络全局属性,但是此类算法运行速度慢,难以平衡预测性能和计算效率。
【参考文献】：
期刊论文
[1]基于卷积神经网络的链接表示及预测方法[J]. 张林,程华,房一泉. 浙江大学学报(工学版). 2018(03)
[2]基于多网络数据协同矩阵分解预测蛋白质功能[J]. 余国先,王可尧,傅广垣,王峻,曾安. 计算机研究与发展. 2017(12)
[3]动态信息网络中基于角色的结构演化与预测[J]. 李川,冯冰清,李艳梅,胡绍林,杨宁,唐常杰. 软件学报. 2017(03)
本文编号：3109307
本文链接：https://www.wllwen.com/kejilunwen/yysx/3109307.html
