鏈路預(yù)測(cè)作為復(fù)雜網(wǎng)絡(luò)分析的一個(gè)重要分支,在不同領(lǐng)域中有著廣泛的應(yīng)用,而且通過(guò)進(jìn)一步提取網(wǎng)絡(luò)結(jié)構(gòu)信息可以提高鏈路預(yù)測(cè)的精度。提出了一種基于結(jié)構(gòu)深度網(wǎng)絡(luò)嵌入和關(guān)聯(lián)相似性的鏈路預(yù)測(cè)算法（Structural Deep Correlation Similarity Network Embedding,SDCSNE）。SDCSNE算法結(jié)合了網(wǎng)絡(luò)嵌入捕捉高維非線性網(wǎng)絡(luò)結(jié)構(gòu)的特征,將網(wǎng)絡(luò)映射到向量空間中,這些映射向量的內(nèi)積即為對(duì)應(yīng)節(jié)點(diǎn)的相似性,并保持了全局和局部的網(wǎng)絡(luò)結(jié)構(gòu),獲得了更加穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)信息;SDCSNE算法還融入了節(jié)點(diǎn)的關(guān)聯(lián)性,以提高預(yù)測(cè)的準(zhǔn)確性。實(shí)際結(jié)果表明,在鏈路預(yù)測(cè)任務(wù)中,SDCSNE算法具有良好的性能。 

【文章來(lái)源】：計(jì)算技術(shù)與自動(dòng)化. 2020,39(02)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

SDNE模型[11]

首先，對(duì)網(wǎng)絡(luò)GR-QC隨機(jī)隱藏了15%的鏈路，并使用@p作為評(píng)價(jià)指標(biāo)。圖2顯示了k值逐步從2增加到1000，對(duì)預(yù)測(cè)精度的影響。當(dāng)k小于等于500時(shí)，精度隨著迭代次數(shù)的增加始終保持在90%以上，反之，精度低于80%。k值的變化對(duì)預(yù)測(cè)精度的影響如圖2所示。接著，使用三個(gè)網(wǎng)絡(luò)GR-QC、PPI、PB網(wǎng)絡(luò)進(jìn)行測(cè)試，這三個(gè)網(wǎng)絡(luò)按稀疏程度排序。訓(xùn)練結(jié)果如表1。發(fā)現(xiàn)網(wǎng)絡(luò)越稀疏，該算法的預(yù)測(cè)精度越低，但當(dāng)k為小于等于100時(shí)，預(yù)測(cè)精度依舊在70%以上。對(duì)于此算法，對(duì)于一般的網(wǎng)絡(luò)都可以得到較好的效果，但對(duì)稀疏網(wǎng)絡(luò)在一定條件下才會(huì)有不錯(cuò)的效果。鏈路預(yù)測(cè)的精度與@P有不可或缺的影響。

【參考文獻(xiàn)】：
期刊論文
[1]基于度和聚類(lèi)系數(shù)的中國(guó)航空網(wǎng)絡(luò)重要性節(jié)點(diǎn)分析[J]. 閆玲玲,陳增強(qiáng),張青.  智能系統(tǒng)學(xué)報(bào). 2016(05)
[2]基于頻繁閉圖關(guān)聯(lián)規(guī)則的AS級(jí)Internet鏈路預(yù)測(cè)方法[J]. 張巖慶,陸余良,楊國(guó)正.  計(jì)算機(jī)科學(xué). 2016(S1)



本文編號(hào)：3213342