基于正例和无标记样本的链接预测方法研究

发布时间：2023-04-28 17:41

　　链接预测是根据网络中已知的结构,对其中缺失的链接进行预测。链接预测作为网络数据分析的重要研究内容,在探究网络演化规律、数据补齐等方面有重要的研究意义,在推荐系统、生物信息和科研合作等领域也有重要的应用价值。从监督学习的角度,链接预测可看做二分类问题。其中,以节点对为样本,存在链接的节点对为正例,不存在链接的节点对为负例,通过构造链接预测分类器解决链接预测问题。由于网络的大规模性和不确定性,其中大量观察不到链接的节点对更应该看做无标记样本,因此,如何从大量无标记样本中选择可靠负例成为构造链接预测分类器的难点。同时,传统的分类模型均建立在样本与总体是独立同分布的假设之上,而网络中的样本并不满足这一假设。本文研究内容将网络中可观察到链接的节点对作为正例,观察不到链接的节点对作为无标记样本,研究仅有正例和无标记样本的链接预测问题(基于正例和无标记样本的学习简称为PU学习)。本文旨在解决基于正例和无标记样本的链接预测中缺乏负例、网络中的样本与总体不满足独立同分布假设的问题。主要研究成果如下:首先,本文提出了基于PU学习的链接预测方法。该方法利用网络的社区结构信息和集成方法,主要解决如何从大量无标...

【文章页数】：55 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 基于相似性的链接预测方法
        1.2.2 基于学习的链接预测方法
    1.3 论文研究内容与组织结构
第二章 相关介绍
    2.1 复杂网络相关概念
    2.2 链接预测问题
    2.3 PU学习及相关工作
        2.3.1 两阶段策略
        2.3.2 偏置方法
        2.3.3 基于正例的方法
    2.4 数据集划分
    2.5 评价指标
    2.6 本章小结
第三章 基于PU学习的链接预测方法
    3.1 研究动机
    3.2 基于PU学习的链接预测方法
        3.2.1 构造样本集
        3.2.2 选择可靠负例
        3.2.3 算法描述
    3.3 实验分析
        3.3.1 实验数据
        3.3.2 实验设置
        3.3.3 实验结果和分析
    3.4 本章小结
第四章 基于PU学习和随机游走的链接预测方法
    4.1 研究动机
    4.2 基于PU学习和随机游走的链接预测方法
        4.2.1 构造转移概率矩阵
        4.2.2 计算节点间游走概率
        4.2.3 计算节点间的相似性
        4.2.4 算法描述
    4.3 实验分析
        4.3.1 实验设置
        4.3.2 实验结果和分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
研究成果
致谢
个人简况及联系方式



本文编号：3804167