發(fā)布時間：2021-11-26 21:27

　　人們面對的世界是普遍聯(lián)系且不斷發(fā)展的,認識事物的發(fā)展變化規(guī)律一直是科學研究熱點。人們通常采用圖的方式對現(xiàn)實世界中的復雜系統(tǒng)進行刻畫和描述。在復雜系統(tǒng)中存在不同類型的對象及不同類型的聯(lián)系,每個對象和聯(lián)系都蘊含著不同的意義。理解和掌握圖數(shù)據(jù)中隱含的信息是數(shù)據(jù)挖掘研究領域的一個重要內容。由于各種原因,人們不能完整獲得復雜系統(tǒng)中的各種對象及它們之間的鏈接關系的信息,而是需要根據(jù)已知的信息對隱含的鏈接關系、缺失的鏈接關系和虛假的鏈接關系進行分析和判斷。因此,鏈接關系預測可以為我們更好地認識和分析復雜系統(tǒng)。學者們從不同的領域對鏈接關系預測進行了研究,包括計算機科學方面、物理學方面、社會學方面和生物學等方面,并提出了各種方法,主要基于網(wǎng)絡的結構特征、馬爾科夫鏈和機器學習等方法。各種鏈接關系預測方法的核心是對象之間的相似性度量,學者們提出了多種相似性度量指標從不同角度度量對象的相似度。目前研究較多的基于節(jié)點相似性、路徑相似性等指標。所以,在圖數(shù)據(jù)中如何利用網(wǎng)絡的結構信息和節(jié)點的屬性信息進行相似性度量是非常重要的,直接關系到鏈接關系預測的質量。目前,鏈接關系預測的研究面臨兩個問題:（1）如何提高相似性度... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數(shù)】：97 頁

【學位級別】：博士

【部分圖文】：

圖２．?１（ａ）無向網(wǎng)絡圖

從前面的分析可以得到對象之間的相似可以認為是不同對象相對于共同特征的相似程??度的反映。簡單起見，先考慮共同特征數(shù)（廣泛性）而不考慮每個特征的重要程度（分值），??則相似性可以表達為共同特征數(shù)與對象總特征數(shù)的比值，如下圖３．１所示。??圖３．１集合甲和集合乙特征分析??Ｆｉｇ．?３．?１?Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ?ａｎａｌｙｓｉｓ?ｏｆ?Ｓｅｔ?Ａ?ａｎｄ?Ｂ??２８??

３．４．３．１訓練集比例不同??首先，在數(shù)據(jù)集ＵＳＡｉｒ中測試了基于ＡＳＣＣＮ指標、ＡＳＣＲＡ指標和ＡＳＣＡＡ指標的鏈??接關系預測，當訓練集比例不同時ＡＵＣ的表現(xiàn)，實驗結果如下圖３．３所示：??０．９８?｜?．?．?■???０－９６?．?心??？??｜?０４．?…?．??Ｉ?０－９２?－?－??ｆ：：：Ｖ?｜??＇??０?９ｆ?＿嚴?－＾―?ＳＣＣＮｌ．??＇ｉ／?ＳＣＡＡ??—＾―?ＳＣＲＡ??０．８８?＇?＇?＇???０．５?０—６?０．７?０．８?０．９??訓練集比例??圖３．３?ＵＳＡｉｒ數(shù)據(jù)集中ＡＵＣ與訓練集變化關系??Ｆｉｇ．３．３?Ｒｅｌａｔｉｏｎｓｈｉｐ?ｏｆ?ＡＵＣ?ａｎｄ?ｔｒａｉｎｉｎｇ?ｒａｔｉｏ?ｉｎ?ＵＳＡｉｒ?ｄａｔａｓｅｔ??從圖３．３所示的實驗結果可以看出，當訓練集合的比例為０．６時，ＡＳＣＣＮ、ＡＳＣＲＡ和??ＡＳＣＡＡ算法的鏈接預測準確度ＡＣＵ超過９０％，當訓練集比例０．９時，ＡＳＣＣＮ、ＡＳＣＲＡ??和ＡＳＣＡＡ算法的鏈接預測準確度ＡＵＣ值已經(jīng)達到９５％以上。在另外３個數(shù)據(jù)集中也可以??得到相近的結論。實驗結果表明


本文編號：3520953