现存大部分链路预测方法仅考虑单类型网络结构信息,无法同时保持一阶、局部和全局结构信息,导致预测精度下降.针对以上不足,提出对偶正则化非负矩阵分解的链路预测模型,同时保持一阶、局部和全局结构信息.首先,将无向无权的邻接矩阵映...现存大部分链路预测方法仅考虑单类型网络结构信息,无法同时保持一阶、局部和全局结构信息,导致预测精度下降.针对以上不足,提出对偶正则化非负矩阵分解的链路预测模型,同时保持一阶、局部和全局结构信息.首先,将无向无权的邻接矩阵映射到低维潜在空间保持网络一阶结构;其次,利用随机游走方法捕获整个网络节点相似度,再启用图正则化技术保持全局结构;此外,利用杰卡尔德系数获得局部相似度去探索网络局部结构;最后,将一阶、局部和全局结构信息相融合构建统一链路预测模型,并启用迭代更新规则学习模型参数获得局部最优.在6个真实网络上进行实验,运用AUC(areas under curve)和AUPR(areas under precision-recall)度量对所提模型进行评估,实验结果表明AUC和AUPR值分别提升了3.1%和8.9%.展开更多
文摘现存大部分链路预测方法仅考虑单类型网络结构信息,无法同时保持一阶、局部和全局结构信息,导致预测精度下降.针对以上不足,提出对偶正则化非负矩阵分解的链路预测模型,同时保持一阶、局部和全局结构信息.首先,将无向无权的邻接矩阵映射到低维潜在空间保持网络一阶结构;其次,利用随机游走方法捕获整个网络节点相似度,再启用图正则化技术保持全局结构;此外,利用杰卡尔德系数获得局部相似度去探索网络局部结构;最后,将一阶、局部和全局结构信息相融合构建统一链路预测模型,并启用迭代更新规则学习模型参数获得局部最优.在6个真实网络上进行实验,运用AUC(areas under curve)和AUPR(areas under precision-recall)度量对所提模型进行评估,实验结果表明AUC和AUPR值分别提升了3.1%和8.9%.
