节点聚类系数与链接预测
本文研究了基于节点相似度的网络链路预测模型,并比较了九种不同的局部相似度度量方法在六个真实网络中的性能。结果表明,最简单的方法即共同邻居法在各项性能上表现最佳,其次是 Adamic-Adar 指数。在此基础上提出了一种基于资源分配过程的新的相似度度量方法,并发现仅考虑最近邻信息时许多链接分配得分相同,设计出一种利用下一个最近邻信息的新方法,可以显著提高预测准确性。
Jan, 2009
本研究通过分析节点邻近节点的贡献,得出最优可能性矩阵的解析式,进而预测网络中的缺失链接,并发现解析式中的一些局部相似性指数优于传统的相似性指数,如直接计算两个节点之间的 3 跳路径个数更能准确地预测缺失链接,而传统的 2 跳路径个数则不如该指数。
Mar, 2018
提出一种结合第一和第二组方法的两阶段方法,其中第一阶段确定与节点位置和动态行为相关的新特征,第二阶段应用子空间聚类算法对社会对象进行分组,以区分集群的强度,在 Facebook、Brightkite 和 HepTh 等真实数据集上进行了广泛的实验,并与该领域的一些先前技术进行了实验验证,证明了该方法的优越性。
May, 2023
本文提出了一种简单而高效的基于聚类的链接预测框架 (ClusterLP),其中利用聚类结构直接获得无向图和有向图中尽可能准确的节点连接,实验证明该模型在多个真实世界网络上具有高竞争力。
Nov, 2022
本文介绍了一种简单的方法,即将内容和链接信息结合起来构建图结构用于社区发现,通过在网络节点之间融合链接强度与内容相似度来评估信号强度,提出了一种有效的去噪方法并采用偏倚边采样,使用 Metis 和 Markov 聚类等算法对骨干图进行聚类,多次实验显示此方法效果显著且速度较快。
Dec, 2012
描述、解释网络动态变化的关键挑战之一是预测短期和长期变化,在考虑增强节点属性和网络拓扑特征的基础上,应用 CMA-ES 优化 16 个邻域和节点相似性指数的权重来预测未来的链接,从而为推特回复网络的演化提供一些计算机建模的线索。
Apr, 2013
使用常见邻居方法将节点隐藏的几何坐标推断出来,与基于连接的 HyperMap 方法相比,常见邻居方法对于高度的节点推断更准确且能够预测自治系统互联网间的未来连接,提高了对复杂网络的映射精度。
Feb, 2015
本文提出了一种基于可靠查询的网络链路预测方法,通过 Bayesian Stackelberg 游戏框架,自动化地选择可靠查询,增加链路预测的鲁棒性和数据安全性,实验结果表明该方法有效性较好。
Sep, 2019
Social networks' graph-like structure and machine learning algorithms' performance in graph link prediction were investigated using the Adamic-Adar Index, Jaccard Coefficient, and common neighbour centrality. The AAI algorithm outperformed other graph-specific algorithms and machine learning algorithms in analyzing graph node attributes.
Aug, 2023
本文基于社会平衡理论,采用相关聚类指数作为标签规律度量来发展有关有符号网络中链接分类的理论。我们在在线、批量和主动三种基本的转导学习设置中,以相关聚类的形式推导学习界限。我们在主动设置中的主要算法贡献是引入了一类新的高效链接分类器,该分类器基于用小电路覆盖输入图形。这些是第一批针对任意符号网络误差边界的主动链接分类算法。
Jan, 2013