Jan, 2019

学习和提取图特征进行链接预测的综述

PDF
TL;DR本文对复杂网络中的链接预测方法进行了广泛的综述，将其分为四大类，包括基于相似性、基于概率、基于关系模型和基于学习的方法。此外，还介绍了一系列可用于研究链接预测的网络数据集。最后，讨论了最近的发展趋势和未来研究方向。
link predictioncomplex networksstate-of-the-art methodsnetwork data setsfuture research directions
发现论文，激发创造
  • 复杂网络中的链路预测：综述

    本文总结了最近复杂网络中连接预测算法的进展，强调了物理观点和方法的贡献，同时引入三个典型应用：网络重构、网络演化机制评估和部分标签网络分类，并介绍了预测算法的一些应用和未来挑战。

    Oct, 2010

  • 基于表示学习和启发式特征的社交网络链接预测

    使用各种特征提取技术来为社交网络中的节点和边生成表示，以便预测缺失的连接，进而产生准确的推荐。

    Mar, 2024

  • 利用本地和全局特征提升社交网络的链接预测：一种基于聚类的方法

    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

  • 重新审视链接预测：数据视角

    本文以数据为中心的观点，旨在研究不同数据集中的链接预测原则，确认了三个关键因素：局部结构接近度、全局结构接近度和特征接近度，并揭示了它们之间的关系。新的洞察启发了 GNN4LP 模型设计以及选择适当基准数据集进行更全面评估的实用指导。

    Oct, 2023

  • 基于相似度和 GNN 的链接预测方法比较研究

    本文研究相似性和基于 GNN 的链接预测方法在同构图中的应用，通过在具有不同属性的多个基准图上的实验评估不同方法的性能。

    Aug, 2020

  • 社交网络中的链路预测：现状

    本文综述了社交网络中缺失链接的预测方法和应用，并分析了当前技术的现状、问题、应用和未来挑战。

    Nov, 2014

  • 基于线性优化的链接预测

    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

  • 基于线性图神经网络的链接预测

    本研究提出使用图论中的线图来解决原始图中的链路预测问题，将链路预测问题转化为其相应的线图的节点分类问题，实验结果表明该方法在不同应用的 14 个数据集上表现优异，同时参数更少，训练效率更高。

    Oct, 2020

  • 生成式图神经网络用于链接预测

    本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

    Dec, 2022

  • 链接预测的进展与挑战

    本文总结了过去十年来数千篇相关出版物中提取的有关本地相似性指数、链接预测性、网络嵌入、矩阵完成和集成学习等方面的代表性进展，并概述了未来研究面临的一些长期挑战。

    Feb, 2021