本文選題：復(fù)雜網(wǎng)絡(luò) + 貝葉斯模型��； 參考：《計(jì)算機(jī)工程與科學(xué)》2017年10期

【摘要】：復(fù)雜網(wǎng)絡(luò)包括生物性信息網(wǎng)絡(luò)、科學(xué)家合作網(wǎng)絡(luò)、社交關(guān)系網(wǎng)絡(luò)等,研究復(fù)雜網(wǎng)絡(luò)的關(guān)系預(yù)測(cè)問題有助于預(yù)測(cè)蛋白質(zhì)相互關(guān)系,發(fā)現(xiàn)科學(xué)家合作關(guān)系,以及挖掘潛在好友關(guān)系等。目前,絕大多數(shù)關(guān)系預(yù)測(cè)算法由復(fù)雜網(wǎng)絡(luò)的相似度模型實(shí)現(xiàn),但該類型算法基于顯式的網(wǎng)絡(luò)拓?fù)涮卣鳂?gòu)建,忽視了影響關(guān)系生成的隱含信息。針對(duì)這一問題,在樸素貝葉斯鏈接預(yù)測(cè)模型(LNB)基礎(chǔ)上提出了一種加強(qiáng)(Enhanced)樸素貝葉斯鏈接預(yù)測(cè)模型(ELNB),該模型通過定義共鄰節(jié)點(diǎn)關(guān)系概率對(duì)共鄰節(jié)點(diǎn)構(gòu)成的局部子圖特征進(jìn)行建模,有效緩解了LNB中的獨(dú)立性假設(shè),實(shí)現(xiàn)了共鄰節(jié)點(diǎn)關(guān)系貢獻(xiàn)的量化計(jì)算。在人工數(shù)據(jù)集和真實(shí)復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)集上的實(shí)驗(yàn)表明,本文提出的模型優(yōu)于基準(zhǔn)算法和其他新近提出的模型。同時(shí),把ELNB的思想有效地拓展到其他基于共鄰節(jié)點(diǎn)的相似度算法中,為該類模型的研究提供一種新的方案。
[Abstract]:Complex networks include biological information networks, scientists' cooperative networks, social networks, and so on. And excavates the potential good friend relation and so on. At present, most of the relational prediction algorithms are implemented by the similarity model of complex networks, but this type of algorithm is based on explicit network topology features and ignores the implicit information that affects the generation of relationships. In order to solve this problem, based on the naive Bayesian link prediction model (LNB), an enhanced naive Bayesian link prediction model (ELNBN) is proposed. The model models the local subgraph features of the coneighbor node by defining the probability of the co-neighbor node relationship. It effectively alleviates the independence hypothesis in LNB and realizes the quantization calculation of the contribution of the co-neighbor node relationship. Experiments on artificial data sets and real complex network data sets show that the proposed model is superior to the benchmark algorithm and other recently proposed models. At the same time, the idea of ELNB is effectively extended to other similarity algorithms based on co-neighbor nodes, which provides a new scheme for the study of this kind of model.
【作者單位】： 廣東工貿(mào)職業(yè)技術(shù)學(xué)院計(jì)算機(jī)工程系;華南理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院;
【基金】：廣東教育研究專項(xiàng)項(xiàng)目(GDJY-2014-B-B200) 廣東高等職業(yè)技術(shù)教育研究會(huì)項(xiàng)目(GDGZ14Y037)
【分類號(hào)】：O157.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 唐燕玉;經(jīng)濟(jì)學(xué)中的貝葉斯模型[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2003年03期

2 劉振濤;左浩苗;張振軒;;泡沫變化過程的動(dòng)態(tài)貝葉斯模型研究[J];管理科學(xué)學(xué)報(bào);2012年09期

3 汪建均;馬義中;汪新;;兩階段的貝葉斯模型選擇與篩選試驗(yàn)分析[J];系統(tǒng)工程理論與實(shí)踐;2011年08期

4 蒙肖蓮;杜寬旗;楊毓;;企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)的貝葉斯模型研究[J];數(shù)理統(tǒng)計(jì)與管理;2011年06期

5 李長(zhǎng)杰;王先甲;范文濤;;貝葉斯雙邊拍賣的水價(jià)模型[J];水電能源科學(xué);2006年03期

6 沈悅;徐有俊;;復(fù)合屬性貝葉斯模型在銀行危機(jī)預(yù)警中的應(yīng)用[J];寧夏大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版);2009年02期

7 鄭凱;胡潔;彭穎紅;詹振飛;戚進(jìn);;結(jié)合定性知識(shí)的定量貝葉斯模型外推方法[J];上海交通大學(xué)學(xué)報(bào);2012年06期

8 李明景;汪金菊;;基于ARMA-稀疏貝葉斯模型的匯率預(yù)測(cè)研究[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年08期

9 吳陳;王萬川;;基于原型的EM樸素貝葉斯模型在直接營(yíng)銷中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用與軟件;2012年09期

10 朱憲辰;李妍綺;曾華翔;;不完美信息下序貫決策行為的一項(xiàng)實(shí)驗(yàn)考察——關(guān)于羊群行為的貝葉斯模型實(shí)驗(yàn)檢驗(yàn)[J];經(jīng)濟(jì)研究;2008年06期

相關(guān)會(huì)議論文 前1條

1 高麗君;;基于貝葉斯模型平均生存模型的中小企業(yè)信用風(fēng)險(xiǎn)估計(jì)[A];第十四屆中國管理科學(xué)學(xué)術(shù)年會(huì)論文集(上冊(cè))[C];2012年

相關(guān)碩士學(xué)位論文 前5條

1 李云瑞;相關(guān)貝葉斯模型在非壽險(xiǎn)準(zhǔn)備金中的應(yīng)用[D];鄭州大學(xué);2016年

2 吳磊;基于Gev的貝葉斯模型研究及應(yīng)用[D];華東理工大學(xué);2017年

3 宋培培;基于貝葉斯模型平均的非壽險(xiǎn)準(zhǔn)備金評(píng)估研究[D];天津財(cái)經(jīng)大學(xué);2016年

4 蘇樂群;稀疏貝葉斯模型在分類與回歸上的研究與應(yīng)用[D];南京航空航天大學(xué);2015年

5 馬欣;基于預(yù)測(cè)似然的貝葉斯模型平均及其在電力負(fù)荷預(yù)測(cè)中的應(yīng)用[D];重慶師范大學(xué);2010年

，

本文編號(hào)：1855196