多元網絡通常是指節(jié)點之間存在多種維度鏈接關系的圖結構。多元網絡鏈接預測算法在構建相似度指標時,多數(shù)僅考慮單一維度網絡的拓撲結構屬性,未挖掘不同維度子網絡之間存在的關聯(lián),影響鏈接預測的效果。針對該問題,提出一種基于多元全局節(jié)點影響力識別指標MPR的多元網絡鏈接預測算法。通過定義一個多維度節(jié)點影響力排序指標MPR,度量多元網絡空間中影響力較大的節(jié)點,并把影響力排名函數(shù)轉化為潛在節(jié)點對之間的相似度得分,從而應用到多元網絡鏈接預測場景中。在2個真實多元網絡數(shù)據集上的實驗結果表明,該算法的預測效果優(yōu)于PR、EDC、ANC等對比算法,且具有較好的穩(wěn)定性。 

【文章來源】：計算機工程. 2020,46(04)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

Querylog數(shù)據集的度分布

上述3個維度的關系不僅在邏輯上存在關聯(lián),在顯式結構上也有關系,因此,在多元網絡中,傳統(tǒng)的基于單一維度網絡(或稱同構網絡)的相似度算法并不能反映這種多元屬性。圖1展示了Student數(shù)據集中的2個維度(A,B)的局部網絡結構,其中,虛線表示不同維度之間節(jié)點的鏈接關系,實線表示單一維度子網絡內部的鏈接關系�？梢钥闯�,一個維度節(jié)點(A子網絡的實心節(jié)點)的屬性不僅受其所處維度子網絡中其他節(jié)點(A子網絡的空心節(jié)點)的影響,也受其他維度子網絡節(jié)點(B子網絡的實心節(jié)點)的影響。因此,在設計相似度鏈接預測算法時,應該把多元屬性考慮進去。同時,由于鏈接的2個相同節(jié)點之間的多樣化關系會產生多個互相影響的子網絡,即一個子網絡的拓撲屬性變化通常會影響其他網絡的屬性變化,因此一種類型的子網絡可以成為另一類型子網絡關系變化的約束或推動力量[11]。圖2和圖3給出Querylog數(shù)據集的度和聚類系數(shù)分布關系,可以看出,不同子網絡的結構存在相似性,可以充分利用多元屬性各維度的相似性結構設計預測指標,這在單一同構網絡中是無法實現(xiàn)的。圖2 Querylog數(shù)據集的度分布

圖2 Querylog數(shù)據集的度分布多元鏈接預測算法主要通過對維度之間的關聯(lián)關系進行建模實現(xiàn)。文獻[12]通過引入多元網絡維度之間的相關性構建度相關、邊相關等屬性,拓展了CN、AA、RA等傳統(tǒng)的相似度度量,設計了一系列新的預測指標。文獻[13]定義了影響力傳播和時序信息2種多維度特性,并由此構造出多維度鏈接預測指標MRIP(Multi-Relational Influence Propagation)和MRT(Multi-Relational Temporal Link Prediction)。文獻[14]采用隱含空間網絡模型提取子網絡的低維因子,通過似然比來檢驗因子的相關性,并建立了一個冷啟動的多維網絡鏈接預測模型。但是,由于異構網絡節(jié)點和鏈接的類型較為復雜,直接采用相似度計算方式進行鏈接預測比較困難。文獻[15]模型雖然基于局部指標提供了快速的解決方案并取得了可接受的結果,但它并沒有在多元網絡全局視角下確定不同共同鄰居各自的貢獻度。此外,該模型利用路徑和隨機游走指標,根據節(jié)點之間較長的鏈接屬性進行預測,其優(yōu)點在于可從網絡的準局部/全局視角構建,缺點是可能會忽略共同鄰居的局部結構。一些基于鄰接矩陣的全局指標能夠充分利用網絡全局屬性,但是此類算法運行速度慢,難以平衡預測性能和計算效率。

【參考文獻】：
期刊論文
[1]基于卷積神經網絡的鏈接表示及預測方法[J]. 張林,程華,房一泉.  浙江大學學報(工學版). 2018(03)
[2]基于多網絡數(shù)據協(xié)同矩陣分解預測蛋白質功能[J]. 余國先,王可堯,傅廣垣,王峻,曾安.  計算機研究與發(fā)展. 2017(12)
[3]動態(tài)信息網絡中基于角色的結構演化與預測[J]. 李川,馮冰清,李艷梅,胡紹林,楊寧,唐常杰.  軟件學報. 2017(03)



本文編號：3109307