随在线社交网络规模的不断增长,传统的链路预测方法难以捕获每个用户的全面特征信息针对该问题,提出一种基于图注意力网络的链路预测方法(link prediction based on graph attention network,LP-GAT).首先,将在线社交网络表示为图结构数...随在线社交网络规模的不断增长,传统的链路预测方法难以捕获每个用户的全面特征信息针对该问题,提出一种基于图注意力网络的链路预测方法(link prediction based on graph attention network,LP-GAT).首先,将在线社交网络表示为图结构数据,反映完整的用户属性信息和社交网络结构信息;其次,在图神经网络模型中引入注意力机制,更准确地刻画用户的社交特征信息,并生成用户节点的嵌入表示;最后,将节点嵌入表示输入分类器进行模型性能评估.在4个真实的在线社交网络数据集进行链路预测实验,结果表明所提模型较传统链路预测方法的性能更优。展开更多
文摘随在线社交网络规模的不断增长,传统的链路预测方法难以捕获每个用户的全面特征信息针对该问题,提出一种基于图注意力网络的链路预测方法(link prediction based on graph attention network,LP-GAT).首先,将在线社交网络表示为图结构数据,反映完整的用户属性信息和社交网络结构信息;其次,在图神经网络模型中引入注意力机制,更准确地刻画用户的社交特征信息,并生成用户节点的嵌入表示;最后,将节点嵌入表示输入分类器进行模型性能评估.在4个真实的在线社交网络数据集进行链路预测实验,结果表明所提模型较传统链路预测方法的性能更优。
