基于节点高阶特征的链路预测算法
发布时间：2021-09-29 15:52
自1998年Watts和Strogtz提出了小世界网络模型,1999年Barabási和Albert提出了无标度网络模型以来,复杂网络科学呈现爆炸式发展,研究者们为现实中各复杂系统建立了复杂网络模型,如交通网络、生态网络和社交关系网络等。为了更有效的解决现实问题,如交通堵塞和生态系统保护等问题,学者们进而开始研究各种复杂网络系统的行为和特性,比如复杂网络的演化机制、连通性和抗毁性等,并发现这些行为和特性离不开复杂系统中个体本身的行为,更离不开个体与个体之间的关联关系。而链路预测为挖掘个体与个体之间的关联关系提供了有效的预测机制,研究者为了更高效地挖掘复杂网络的行为和特征,提出了很多不同类型的链路预测算法。通过对比这些链路预测算法,发现它们很少考虑节点间的高阶相似性关系,并且基于节点低阶相似性关系的链路预测算法预测性能表现较差。基于此,本文研究了三种基于节点高阶特征的链路预测算法,均在不同的方面对链路预测性能有所提升。（1）提出了一种基于高阶近似的链路预测算法。该方法将高阶网络表示学习算法与链路预测相结合,考虑了节点与节点之间的高阶相似性关系。同时经过在四个真实的数据集上的实验仿真,结果...
【文章来源】：青海师范大学青海省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
中文摘要
Abstract
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 网络表示学习研究现状
1.2.2 复杂网络引力场研究现状
1.2.3 链路预测研究现状
1.3 研究内容
1.4 本文组织结构
第二章 链路预测基础知识
2.1 复杂网络基础知识
2.1.1 复杂网络的图表示
2.1.2 复杂网络度量指标
2.2 链路预测问题描述
2.3 数据集划分
2.3.1 随机抽样
2.3.2 逐项遍历
2.3.3 k折叠交叉检验
2.3.4 熟识者抽样
2.4 AUC评价指标
2.5 本章小结
第三章 基于高阶近似的链路预测算法
3.1 引言
3.2 基于高阶近似的链路预测算法
3.2.1 高阶网络表示学习NEU算法
3.2.2 基于高阶近似的链路预测
3.3 实验结果与分析
3.3.1 实验数据
3.3.2 基准方法
3.3.3 实验设置
3.3.4 实验结果
3.3.5 时间复杂度对比
3.3.6 度分布可视化
3.4 本章小结
第四章 基于复杂网络引力场的链路预测算法
4.1 引言
4.2 基于复杂网络引力场的链路预测算法
4.2.1 复杂网络引力场模型
4.2.2 基于复杂网络引力场的链路预测
4.3 实验结果与分析
4.3.1 实验数据
4.3.2 基准方法
4.3.3 实验设置
4.3.4 实验结果与分析
4.3.5 度分布可视化
4.4 本章小结
第五章 基于复杂网络引力场与节点收缩的链路预测算法
5.1 引言
5.2 基于复杂网络引力场与节点收缩的链路预测算法
5.2.1 基于节点收缩的节点重要性评估方法
5.2.2 改进的复杂网络引力场模型
5.2.3 基于复杂网络引力场和节点收缩的链路预测
5.3 实验结果与分析
5.3.1 实验数据
5.3.2 基准方法
5.3.3 实验设置
5.3.4 实验结果
5.3.5 度分布可视化
5.4 本章小结
第六章 总结与展望
6.1 工作总结
6.2 进一步研究的问题
参考文献
致谢
附录一 个人简介
附录二 作者攻读硕士学位期间参加的科研项目
附录三 作者攻读硕士学位期间完成和发表的论文
【参考文献】：
期刊论文
[1]基于优先连接和用户属性的链路预测算法研究[J]. 初晓宇,高守玮. 计算机技术与发展. 2019(11)
[2]基于转移自洽和偏好连接的链路预测算法研究[J]. 陆圣宇,史军,刘宝,姚金魁,金毅. 计算机技术与发展. 2019(08)
[3]基于网络节点文本增强的链路预测算法[J]. 曹蓉,赵海兴,冶忠林. 计算机应用与软件. 2019(03)
[4]基于密集连接卷积神经网络的链路预测模型[J]. 王文涛,吴淋涛,黄烨,朱容波. 计算机应用. 2019(06)
[5]基于网络表示学习的链路预测算法[J]. 杨晓翠,宋甲秀,张曦煌. 计算机科学与探索. 2019(05)
[6]网络表示学习综述[J]. 涂存超,杨成,刘知远,孙茂松. 中国科学:信息科学. 2017(08)
[7]结合链路预测和ET机器学习的科研合作推荐方法研究[J]. 吕伟民,王小梅,韩涛. 数据分析与知识发现. 2017(04)
[8]基于AdaBoost的链路预测优化算法[J]. 吴祖峰,梁棋,刘峤,秦志光. 通信学报. 2014(03)
[9]改进的随机游走模型节点排序方法[J]. 何建军,李仁发. 计算机工程与应用. 2011(12)
[10]复杂网络理论在城市交通网络分析中的应用[J]. 赵月,杜文,陈爽. 城市交通. 2009(01)
硕士论文
[1]基于机器学习与链路预测的医疗问答检测与推荐系统[D]. 邢新国.电子科技大学 2019
[2]基于类引力的多标签分类方法研究[D]. 王博岩.合肥工业大学 2017
[3]复杂网络引力场建模技术及其应用[D]. 段玉冰.中国科学技术大学 2015
[4]社会网络中的链路预测及网络重构[D]. 司帅宗.东北大学 2014
本文编号：3413995
【文章来源】：青海师范大学青海省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
中文摘要
Abstract
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 网络表示学习研究现状
1.2.2 复杂网络引力场研究现状
1.2.3 链路预测研究现状
1.3 研究内容
1.4 本文组织结构
第二章 链路预测基础知识
2.1 复杂网络基础知识
2.1.1 复杂网络的图表示
2.1.2 复杂网络度量指标
2.2 链路预测问题描述
2.3 数据集划分
2.3.1 随机抽样
2.3.2 逐项遍历
2.3.3 k折叠交叉检验
2.3.4 熟识者抽样
2.4 AUC评价指标
2.5 本章小结
第三章 基于高阶近似的链路预测算法
3.1 引言
3.2 基于高阶近似的链路预测算法
3.2.1 高阶网络表示学习NEU算法
3.2.2 基于高阶近似的链路预测
3.3 实验结果与分析
3.3.1 实验数据
3.3.2 基准方法
3.3.3 实验设置
3.3.4 实验结果
3.3.5 时间复杂度对比
3.3.6 度分布可视化
3.4 本章小结
第四章 基于复杂网络引力场的链路预测算法
4.1 引言
4.2 基于复杂网络引力场的链路预测算法
4.2.1 复杂网络引力场模型
4.2.2 基于复杂网络引力场的链路预测
4.3 实验结果与分析
4.3.1 实验数据
4.3.2 基准方法
4.3.3 实验设置
4.3.4 实验结果与分析
4.3.5 度分布可视化
4.4 本章小结
第五章 基于复杂网络引力场与节点收缩的链路预测算法
5.1 引言
5.2 基于复杂网络引力场与节点收缩的链路预测算法
5.2.1 基于节点收缩的节点重要性评估方法
5.2.2 改进的复杂网络引力场模型
5.2.3 基于复杂网络引力场和节点收缩的链路预测
5.3 实验结果与分析
5.3.1 实验数据
5.3.2 基准方法
5.3.3 实验设置
5.3.4 实验结果
5.3.5 度分布可视化
5.4 本章小结
第六章 总结与展望
6.1 工作总结
6.2 进一步研究的问题
参考文献
致谢
附录一 个人简介
附录二 作者攻读硕士学位期间参加的科研项目
附录三 作者攻读硕士学位期间完成和发表的论文
【参考文献】：
期刊论文
[1]基于优先连接和用户属性的链路预测算法研究[J]. 初晓宇,高守玮. 计算机技术与发展. 2019(11)
[2]基于转移自洽和偏好连接的链路预测算法研究[J]. 陆圣宇,史军,刘宝,姚金魁,金毅. 计算机技术与发展. 2019(08)
[3]基于网络节点文本增强的链路预测算法[J]. 曹蓉,赵海兴,冶忠林. 计算机应用与软件. 2019(03)
[4]基于密集连接卷积神经网络的链路预测模型[J]. 王文涛,吴淋涛,黄烨,朱容波. 计算机应用. 2019(06)
[5]基于网络表示学习的链路预测算法[J]. 杨晓翠,宋甲秀,张曦煌. 计算机科学与探索. 2019(05)
[6]网络表示学习综述[J]. 涂存超,杨成,刘知远,孙茂松. 中国科学:信息科学. 2017(08)
[7]结合链路预测和ET机器学习的科研合作推荐方法研究[J]. 吕伟民,王小梅,韩涛. 数据分析与知识发现. 2017(04)
[8]基于AdaBoost的链路预测优化算法[J]. 吴祖峰,梁棋,刘峤,秦志光. 通信学报. 2014(03)
[9]改进的随机游走模型节点排序方法[J]. 何建军,李仁发. 计算机工程与应用. 2011(12)
[10]复杂网络理论在城市交通网络分析中的应用[J]. 赵月,杜文,陈爽. 城市交通. 2009(01)
硕士论文
[1]基于机器学习与链路预测的医疗问答检测与推荐系统[D]. 邢新国.电子科技大学 2019
[2]基于类引力的多标签分类方法研究[D]. 王博岩.合肥工业大学 2017
[3]复杂网络引力场建模技术及其应用[D]. 段玉冰.中国科学技术大学 2015
[4]社会网络中的链路预测及网络重构[D]. 司帅宗.东北大学 2014
本文编号：3413995
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3413995.html
