基于复杂网络结构表征学习下的链路预测

发布时间：2020-07-28 12:14

【摘要】：复杂网络作为描述关联性数据的模型在近些年被广泛的使用。在复杂网络的研究领域中,链路预测本质上是挖掘网络产生连边的驱动力,是研究具有网络结构的数据演化和分析结构化数据特性不可或缺的重要工具。同时,链路预测在很多方面具有广泛的应用,比如指导系统生物学实验,和社交网络的推荐等问题中。然而,随着网路数据规模的急剧增加,网络数据平均质量明显下降和网络本身复杂的拓扑结构,都导致了链路预测研究存在着很多问题有待解决。比如如何在噪声存在的情况下,更好的对网络节点的相关关系进行表示学习,或者如何在稀疏的高维的复杂网络数据中,更多地、更准确地捕获网络结构的特性,以得到更加准确的预测结果。针对上述问题,本文首先利用网络中组演化的相关理论设计了鲁棒性较强的链路预测算法;其次基于网络具有的模块特性,对网络内节点的相互关系进行分类的、判别的描述,利用节点的关系表征设计了较适用于具有模块结构的链路预测算法;接着,为了使提出的链路预测算法能够适用于更多类型的网络,我们结合复杂网络的全局结构特征和局部结构特征,来得到更加准确的预测结果;最后,通过深度学习下的复杂网络高级特征来描述结构的相似性,联合复杂网络节点的自表示特性,提出一种鲁棒性较强且精度较高的链路预测方法。本文主要贡献如下:1)提出了一种基于组演化的链路预测算法。通过量化组演化过程中网络节点的稳定性和活动性,刻画网络类内和类间的关系并结合这两种关系的链路预测算法。实验表明,在真实网络中,该算法取得了更好的预测结果。特别是,由于该算法更加适用于稀疏网络,在预测蛋白质网络中原子的直接相互作用关系上,取得更加准确的预测结果。并且,由于该模型对噪声具有较强的鲁棒性,当真实网络中的噪声比例高达50%时,该算法取得稳定的预测结果。2)提出了一种复杂网络低秩表示和稀疏表征相结合的链路预测模型。该模型集合了低秩表示和稀疏表示的优点,利用低秩表示近似表征网络中节点的类内相似信息,同时通过稀疏表示表征节点类间的关联信息,两者的结合得到了一种能够很好地刻画网络连接关系的模型。实验表明,模型使用子空间聚类的思想拟合观测矩阵的结构特性是可行的。3)提出了一种基于网络模块化结构的链路预测算法。在第三章的基础上,该模型通过描述复杂网络类内和类间链路的特点和相互作用的关系,在利用低秩约束类内节点的相关性的同时,通过类内类间节点关系的制约性,判别性的学习能够表示类间节点之间的表达系数。通过准确的描述这两种关系,具有模块结构的网络包含的连接关系可以更好的被刻画。实验表明,结合类内类间节点之间的制约关系来刻画节点之间的表示关系是可行的,特别地,通过在合成数据和真实数据上的实验,这种模型具有稳定的鲁棒性和较强的竞争力,在具有模块结构的网络中该算法能取得更加准确的预测效果。4)提出了一种结合复杂网络全局结构特性和局部结构特性的网络结构表征模型。由于复杂网络结构的稀疏性和节点的可聚类性,通常通过低秩表示来重构网络的全局信息,同时由节点相似度矩阵的图正则来表征网络的局部特性。联合的表征复杂网络结构的局部信息和全局信息可以更加全面地重构观测网络。充分的实验结果说明,提出的模型绝大多数的网络上都具有较强的竞争力。5)提出了一种基于深度自编码模型下复杂网络深度信息的结构相似性与网络自表示联合学习的链路预测算法。该模型通过迭代的学习复杂网络的自表示系数并修正深度信息下的结构相似性,以逼近实际的复杂网络结构,来获得更好的链路预测效果。特别地,由于该算法能够很好的挖掘网络的高级特征,对于我们研究中较难的数据也具有较准确的预测效果。充分的实验结果证实了改算法的可靠性,同时,大量的对比实验说明了联合的网络结构表征不仅解决了传统算法中单一结构特性识别的局限性,同样解决了稀疏网络中的数据不平衡性对深度神经网络模型训练效果的影响。综上所述,本文主要考虑在已知无向的复杂网络数据的条件下,如何表征网络的模块结构特性,如何结合地表征的网络类内和类间信息来描述节点之间的关系,如何更加全面的结合网络局部的和全局的结构特性来逼近真实的网络结构,如何联合深度学习下的网络表示学习和传统的机器学习方法提取更有利于进行链路预测的网络结构的判别性特征在内的四个相关工作。同时,通过大量的实验分析并验证了本文提出的所有方法的可行性以及相对应的现有方法所具备的优势。
【学位授予单位】：西安电子科技大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：O157.5;TP181


本文编号：2772865