图数据中的链接关系预测技术研究

发布时间：2021-11-26 21:27

　　人们面对的世界是普遍联系且不断发展的,认识事物的发展变化规律一直是科学研究热点。人们通常采用图的方式对现实世界中的复杂系统进行刻画和描述。在复杂系统中存在不同类型的对象及不同类型的联系,每个对象和联系都蕴含着不同的意义。理解和掌握图数据中隐含的信息是数据挖掘研究领域的一个重要内容。由于各种原因,人们不能完整获得复杂系统中的各种对象及它们之间的链接关系的信息,而是需要根据已知的信息对隐含的链接关系、缺失的链接关系和虚假的链接关系进行分析和判断。因此,链接关系预测可以为我们更好地认识和分析复杂系统。学者们从不同的领域对链接关系预测进行了研究,包括计算机科学方面、物理学方面、社会学方面和生物学等方面,并提出了各种方法,主要基于网络的结构特征、马尔科夫链和机器学习等方法。各种链接关系预测方法的核心是对象之间的相似性度量,学者们提出了多种相似性度量指标从不同角度度量对象的相似度。目前研究较多的基于节点相似性、路径相似性等指标。所以,在图数据中如何利用网络的结构信息和节点的属性信息进行相似性度量是非常重要的,直接关系到链接关系预测的质量。目前,链接关系预测的研究面临两个问题:（1）如何提高相似性度... 

【文章来源】：广东工业大学广东省

【文章页数】：97 页

【学位级别】：博士

【部分图文】：

图２．?１（ａ）无向网络图

从前面的分析可以得到对象之间的相似可以认为是不同对象相对于共同特征的相似程??度的反映。简单起见，先考虑共同特征数（广泛性）而不考虑每个特征的重要程度（分值），??则相似性可以表达为共同特征数与对象总特征数的比值，如下图３．１所示。??图３．１集合甲和集合乙特征分析??Ｆｉｇ．?３．?１?Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ?ａｎａｌｙｓｉｓ?ｏｆ?Ｓｅｔ?Ａ?ａｎｄ?Ｂ??２８??

３．４．３．１训练集比例不同??首先，在数据集ＵＳＡｉｒ中测试了基于ＡＳＣＣＮ指标、ＡＳＣＲＡ指标和ＡＳＣＡＡ指标的链??接关系预测，当训练集比例不同时ＡＵＣ的表现，实验结果如下图３．３所示：??０．９８?｜?．?．?■???０－９６?．?心??？??｜?０４．?…?．??Ｉ?０－９２?－?－??ｆ：：：Ｖ?｜??＇??０?９ｆ?＿严?－＾―?ＳＣＣＮｌ．??＇ｉ／?ＳＣＡＡ??—＾―?ＳＣＲＡ??０．８８?＇?＇?＇???０．５?０—６?０．７?０．８?０．９??训练集比例??图３．３?ＵＳＡｉｒ数据集中ＡＵＣ与训练集变化关系??Ｆｉｇ．３．３?Ｒｅｌａｔｉｏｎｓｈｉｐ?ｏｆ?ＡＵＣ?ａｎｄ?ｔｒａｉｎｉｎｇ?ｒａｔｉｏ?ｉｎ?ＵＳＡｉｒ?ｄａｔａｓｅｔ??从图３．３所示的实验结果可以看出，当训练集合的比例为０．６时，ＡＳＣＣＮ、ＡＳＣＲＡ和??ＡＳＣＡＡ算法的链接预测准确度ＡＣＵ超过９０％，当训练集比例０．９时，ＡＳＣＣＮ、ＡＳＣＲＡ??和ＡＳＣＡＡ算法的链接预测准确度ＡＵＣ值已经达到９５％以上。在另外３个数据集中也可以??得到相近的结论。实验结果表明


本文编号：3520953