鏈路預(yù)測是網(wǎng)絡(luò)數(shù)據(jù)挖掘中的一項基礎(chǔ)且重要的研究內(nèi)容,它是指通過已知的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以及網(wǎng)絡(luò)節(jié)點屬性等信息,預(yù)測網(wǎng)絡(luò)中由于信息丟失造成的未知鏈接或者未來某個時刻兩個節(jié)點間可能產(chǎn)生的鏈接。鏈路預(yù)測問題對于分析網(wǎng)絡(luò)演化以及研究網(wǎng)絡(luò)缺失數(shù)據(jù)補齊具有非常重要的科學(xué)意義,并且在好友推薦、電子商務(wù)和生物制藥等領(lǐng)域具有重要的應(yīng)用價值。近年來,鏈路預(yù)測在計算機科學(xué)、統(tǒng)計物理學(xué)和生物學(xué)等眾多領(lǐng)域受到廣泛關(guān)注,很多鏈路預(yù)測算法從不同的學(xué)科角度被提出。在已有鏈接預(yù)測方法中,矩陣分解方法通過低秩近似原有網(wǎng)絡(luò)的鄰接矩陣來解決鏈接預(yù)測問題,是一類重要的鏈接預(yù)測方法。在基于矩陣分解的鏈路預(yù)測相關(guān)方法中,已有方法大多是基于網(wǎng)絡(luò)的鄰接矩陣表示來進行建模,對網(wǎng)絡(luò)的表示與建模仍然不夠準(zhǔn)確。為此,本文針對基于矩陣分解的鏈路預(yù)測算法進行了深入的研究,主要內(nèi)容包括以下兩個方面:（1）提出了一種基于邊重要度的矩陣分解鏈路預(yù)測算法。該算法從節(jié)點度值信息角度提出節(jié)點間連邊重要度度量方法,對網(wǎng)絡(luò)中已知連邊進行重要度度量,建立基于網(wǎng)絡(luò)權(quán)重矩陣分解的鏈路預(yù)測模型。分別在八個公開網(wǎng)絡(luò)數(shù)據(jù)集上與基于度量的鏈路預(yù)測算法和已有矩陣分解預(yù)測算法相比較,該... 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【部分圖文】：

完整的網(wǎng)絡(luò)圖表示

Food 0.5493 0.3829 0.3754 0.8725 0.3450 0.3271Router 0.4028 0.4793 0.4700 0.7950 0.4628 0.4096Power 0.5406 0.3824 0.4930 0.3824 0.3255 0.3097本章選取了 Football 和 Food 這兩個數(shù)據(jù)集上參數(shù)的不同取值對評價指標(biāo) AUC的影響情況，如圖 3.1 表示的是 Football 和 Food 數(shù)據(jù)集分別在各自 和K 值取最優(yōu)的前提下，參數(shù) 在區(qū)間 0, 0.4上取不同值時的預(yù)測精度，圖 3.2 表示 Football 和Food 數(shù)據(jù)集分別在各自 和K 值取最優(yōu)的前提下，參數(shù) 在區(qū)間 0, 0.3上取不同值時的實驗結(jié)果。從圖中我們可以看出：（1）全局上看，參數(shù)的改變對于算法精度還是有較大程度的影響，在某個區(qū)間段內(nèi)都呈現(xiàn)一個 AUC 指標(biāo)“先升后降”的趨勢，在某一個值時達到實驗效果最優(yōu)。（2）雖然都能夠達到實驗最優(yōu)值，但是不同的數(shù)據(jù)使得這一最優(yōu)值在參數(shù)取不同的值時達到，證明參數(shù)的選取與實驗所使用的數(shù)據(jù)規(guī)模和數(shù)據(jù)相關(guān)。（3）其他數(shù)據(jù)集上參數(shù)的影響趨勢與這兩個數(shù)據(jù)集參數(shù)趨勢相同。

(a) Football (b) Food圖 3.2 參數(shù) 對 AUC 的影響圖 3.3 表示 Polbook 和 Food 數(shù)據(jù)集分別在各自 和 取最優(yōu)值的前提下，矩陣分解低秩維度K 取值不同時對實驗結(jié)果的影響情況，從圖中可以看出，隨著 K 值的逐漸增加，實驗精度也在不斷增加，當(dāng)精度增加到一個閾值時，隨著 K 值的繼續(xù)增加，實驗結(jié)果趨于平緩，分解維度的增加不再對實驗結(jié)果有較大影響。0.50.550.60.650.70.750.80.850.90.9513 6 9 12 15 18 21 24 27 30AUC0.40.50.60.70.80.913 6 9 12 15 18 21 24AUC


本文編號：3539602