本文選題：鏈路預測 + 相似性�。� 參考：《計算機應用》2017年08期

【摘要】：現(xiàn)有的基于隨機游走鏈路預測指標在無權網(wǎng)絡上的轉(zhuǎn)移過程存在較強隨機性,沒有考慮在網(wǎng)絡結(jié)構(gòu)上不同鄰居節(jié)點間的相似性對轉(zhuǎn)移概率的作用。針對此問題,提出一種基于網(wǎng)絡表示學習與隨機游走的鏈路預測算法。首先,通過基于深度學習的網(wǎng)絡表示學習算法——Deep Walk學習網(wǎng)絡節(jié)點的潛在結(jié)構(gòu)特征,將網(wǎng)絡中的各節(jié)點表征到低維向量空間;然后,在重啟隨機游走(RWR)和局部隨機游走(LRW)算法的隨機游走過程中融合各鄰居節(jié)點在向量空間上的相似性,重新定義出鄰居節(jié)點間的轉(zhuǎn)移概率;最后,在5個真實數(shù)據(jù)集上進行大量實驗驗證。實驗結(jié)果表明:相比8種具有代表性的基于網(wǎng)絡結(jié)構(gòu)的鏈路預測基準算法,所提算法鏈路預測結(jié)果的AUC值均有提升,最高達3.34%。
[Abstract]:There is a strong randomness in the transfer process based on the random walk link prediction index in the unauthorized network, and the effect of the similarity between the different neighbor nodes on the transfer probability is not considered in the network structure. To solve this problem, a link prediction algorithm based on network representation learning and random walk is proposed. First, the nodes in the deep Walk learning network are represented into the low-dimensional vector space through the deep learning-based network representation learning algorithm, which is the potential structural feature of the deep Walk learning network node. In the random walk process of restarting random walk (RWR) and local random walk (LRW) algorithm, the similarity of neighbor nodes in vector space is fused, and the transfer probability between neighbor nodes is redefined. A large number of experiments were carried out on 5 real data sets. The experimental results show that the AUC value of the proposed algorithm is improved to 3.34, compared with the 8 typical network based link prediction benchmark algorithms.
【作者單位】： 華南師范大學計算機學院;廣東省高性能計算重點實驗室;仲愷農(nóng)業(yè)工程學院信息科學與技術學院;
【基金】：廣東省自然科學基金自由申請項目(2016A030313441) 廣東省科技計劃項目(2015B010129009,2016A030303058,2016A090922008,2015A020209178) 廣東省高性能計算重點實驗室開放課題項目(T191527) 廣州市科技計劃項目(201604016035)~~
【分類號】：O157.5

【參考文獻】

相關期刊論文 前4條

1 孫志遠;魯成祥;史忠植;馬剛;;深度學習研究與進展[J];計算機科學;2016年02期

2 陳維政;張巖;李曉明;;網(wǎng)絡表示學習[J];大數(shù)據(jù);2015年03期

3 胡文斌;彭超;梁歡樂;杜博;;基于鏈路預測的社會網(wǎng)絡事件檢測方法[J];軟件學報;2015年09期

4 呂琳媛;;復雜網(wǎng)絡鏈路預測[J];電子科技大學學報;2010年05期

【共引文獻】

相關期刊論文 前10條

1 劉思;劉海;陳啟買;賀超波;;基于網(wǎng)絡表示學習與隨機游走的鏈路預測算法[J];計算機應用;2017年08期

2 陳工;李琦;金玲艷;梁賀明;Hamed Karimian;莫玉琴;;基于深度學習的區(qū)域生態(tài)安全時空模擬與預測[J];地球信息科學學報;2017年07期

3 何軍;劉業(yè)政;;基于多維社交關系的在線社交網(wǎng)絡鏈路預測研究[J];現(xiàn)代情報;2017年07期

4 高楊;張燕平;錢付蘭;趙姝;;結(jié)合節(jié)點度和節(jié)點聚類系數(shù)的鏈路預測算法[J];小型微型計算機系統(tǒng);2017年07期

5 劉竟;孫薇;;基于鏈路預測的潛在科研合作關系發(fā)現(xiàn)研究[J];情報理論與實踐;2017年07期

6 張金柱;胡一鳴;;利用鏈路預測揭示合著網(wǎng)絡演化機制[J];情報科學;2017年07期

7 劉家益;鄒益民;;近70年文本自動摘要研究綜述[J];情報科學;2017年07期

8 趙曉婧;劉子嘉;;基于三階路徑的鏈路預測新指標[J];晉中學院學報;2017年03期

9 閔波;張莉;楊帆;雷權;張云宏;;聯(lián)系強弱對生物醫(yī)學文獻知識發(fā)現(xiàn)的影響[J];醫(yī)學信息學雜志;2017年05期

10 李澤;孫多勇;李博;;基于社會網(wǎng)絡與事件關聯(lián)的恐怖事件監(jiān)測與識別[J];科技導報;2017年09期

【二級參考文獻】

相關期刊論文 前4條

1 余凱;賈磊;陳雨強;徐偉;;深度學習的昨天、今天和明天[J];計算機研究與發(fā)展;2013年09期

2 饒君;吳斌;東昱曉;;MapReduce環(huán)境下的并行復雜網(wǎng)絡鏈路預測[J];軟件學報;2012年12期

3 吳斌;王柏;楊勝琦;;基于事件的社會網(wǎng)絡演化分析框架[J];軟件學報;2011年07期

4 喬少杰;唐常杰;彭京;劉威;溫粉蓮;邱江濤;;基于個性特征仿真郵件分析系統(tǒng)挖掘犯罪網(wǎng)絡核心[J];計算機學報;2008年10期

【相似文獻】

相關期刊論文 前10條

1 周持中;一類具有吸收點的平面隨機游走[J];岳陽大學學報;1996年02期

2 何建軍;李仁發(fā);;改進的隨機游走模型節(jié)點排序方法[J];計算機工程與應用;2011年12期

3 鄧貴仕,賴寶全;反饋式隨機游走模型及其在股票投資中應用[J];大連理工大學學報;2004年06期

4 戴穎;;深圳股票市場的隨機游走檢驗[J];商業(yè)經(jīng)濟;2005年11期

5 張珊靚;周晏;;基于隨機游走的時間加權社會網(wǎng)絡鏈接預測算法[J];計算機應用與軟件;2014年07期

6 金弟;楊博;劉杰;劉大有;何東曉;;復雜網(wǎng)絡簇結(jié)構(gòu)探測——基于隨機游走的蟻群算法[J];軟件學報;2012年03期

7 汪北翔,黃海波;對我國期貨價格隨機游走假設的檢驗[J];統(tǒng)計與決策;2004年11期

8 邢長明;劉方愛;徐如志;;無標度立體Koch網(wǎng)絡上隨機游走的平均吸收時間[J];物理學報;2012年20期

9 呂U，

本文編號：1899556