復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測作為網(wǎng)絡(luò)科學研究中一個重要的研究方向,受到了越來越多來自各個學科領(lǐng)域?qū)＜业年P(guān)注,它可以利用現(xiàn)有的網(wǎng)絡(luò)信息,如節(jié)點和邊緣的特征,來預(yù)測未來可能形成的關(guān)系、網(wǎng)絡(luò)中缺失的信息以及新的或正在消失的信息,識別虛假交互,評估網(wǎng)絡(luò)演化機制,進行網(wǎng)絡(luò)重構(gòu)等。當前鏈路預(yù)測的文獻主要來自工程學、計算機科學與物理學的專家,它們各自為政,缺少合作,結(jié)合多學科進行鏈路預(yù)測的綜述論文少之又少。因此,文中從計算機科學和物理學的視角全面回顧、分析和討論基于特征分類的鏈路預(yù)測算法的研究進展,介紹了該領(lǐng)域?qū)＜覀兲岢龅亩喾N特征提取技術(shù),首次把分層的思想引入鏈路預(yù)測算法分類中,將分類模型分為3層,即元數(shù)據(jù)層、特征分類層和特征抽取層。該分類模型包括"2個大塊7個方面",即把常用的鏈路預(yù)測算法分為2個大塊（特征提取方法和特征學習方法）和7個方面（基于相似性的方法、基于似然分析的方法、基于概率模型的方法、矩陣分解方法、基于隨機游走的方法、基于神經(jīng)網(wǎng)絡(luò)的方法和基于自定義損失函數(shù)的方法）。該分類方法覆蓋了各學科中許多經(jīng)典的和最新的鏈路預(yù)測技術(shù),包括當前最流行的圖神經(jīng)網(wǎng)絡(luò)鏈路預(yù)測技術(shù)GNN（Graph Neural Ne... 

【文章來源】：計算機科學. 2020,47(08)北大核心CSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

以“鏈路預(yù)測”為主題發(fā)表的SCI論文數(shù)

以“鏈路預(yù)測”為主題的SCI論文的研究領(lǐng)域

圖2 以“鏈路預(yù)測”為主題的SCI論文的研究領(lǐng)域2010年Lv[3]發(fā)表了首篇與鏈路預(yù)測研究相關(guān)的中文綜述,該論文獲得了364次引用,它比較了若干有代表性的鏈路預(yù)測方法,如基于相似性的鏈路預(yù)測、基于最大似然估計的鏈路預(yù)測和基于概率模型的鏈路預(yù)測。但是,該論文強調(diào)的是物理學方面的貢獻,而不是計算機科學方面的研究成果。2011年,Hasan等[4]綜述了一些具有代表性的社交網(wǎng)絡(luò)鏈路預(yù)測方法,根據(jù)網(wǎng)絡(luò)的分類主要考慮了3種類型的模型:二分類模型、概率模型和線性代數(shù)模型。它涉及一些新的有代表性的鏈路預(yù)測工作,但適應(yīng)范圍有限,僅適合于社交網(wǎng)絡(luò)。2016年Lv等[5]發(fā)表了一篇專題文章《網(wǎng)絡(luò)鏈路預(yù)測:概念與前沿》,其作為一篇比較全面的綜述,結(jié)合了物理學和計算機科學的最新研究成果,獲得了較多的引用。但是由于當時圖神經(jīng)網(wǎng)絡(luò)技術(shù)還不是很成熟,因此其缺少對圖神經(jīng)網(wǎng)絡(luò)鏈路預(yù)測的論述。


本文編號：3223326