基于特征分类的链路预测方法综述

发布时间：2021-06-10 23:31

　　复杂网络链路预测作为网络科学研究中一个重要的研究方向,受到了越来越多来自各个学科领域专家的关注,它可以利用现有的网络信息,如节点和边缘的特征,来预测未来可能形成的关系、网络中缺失的信息以及新的或正在消失的信息,识别虚假交互,评估网络演化机制,进行网络重构等。当前链路预测的文献主要来自工程学、计算机科学与物理学的专家,它们各自为政,缺少合作,结合多学科进行链路预测的综述论文少之又少。因此,文中从计算机科学和物理学的视角全面回顾、分析和讨论基于特征分类的链路预测算法的研究进展,介绍了该领域专家们提出的多种特征提取技术,首次把分层的思想引入链路预测算法分类中,将分类模型分为3层,即元数据层、特征分类层和特征抽取层。该分类模型包括"2个大块7个方面",即把常用的链路预测算法分为2个大块（特征提取方法和特征学习方法）和7个方面（基于相似性的方法、基于似然分析的方法、基于概率模型的方法、矩阵分解方法、基于随机游走的方法、基于神经网络的方法和基于自定义损失函数的方法）。该分类方法覆盖了各学科中许多经典的和最新的链路预测技术,包括当前最流行的图神经网络链路预测技术GNN（Graph Neural Ne... 

【文章来源】：计算机科学. 2020,47(08)北大核心CSCD

【文章页数】：11 页

【部分图文】：

以“链路预测”为主题发表的SCI论文数

以“链路预测”为主题的SCI论文的研究领域

图2 以“链路预测”为主题的SCI论文的研究领域2010年Lv[3]发表了首篇与链路预测研究相关的中文综述,该论文获得了364次引用,它比较了若干有代表性的链路预测方法,如基于相似性的链路预测、基于最大似然估计的链路预测和基于概率模型的链路预测。但是,该论文强调的是物理学方面的贡献,而不是计算机科学方面的研究成果。2011年,Hasan等[4]综述了一些具有代表性的社交网络链路预测方法,根据网络的分类主要考虑了3种类型的模型:二分类模型、概率模型和线性代数模型。它涉及一些新的有代表性的链路预测工作,但适应范围有限,仅适合于社交网络。2016年Lv等[5]发表了一篇专题文章《网络链路预测:概念与前沿》,其作为一篇比较全面的综述,结合了物理学和计算机科学的最新研究成果,获得了较多的引用。但是由于当时图神经网络技术还不是很成熟,因此其缺少对图神经网络链路预测的论述。


本文编号：3223326