KDDFeb, 2019

基于高阶模体特征的链接预测

PDF
TL;DR本文使用图的拓扑结构，提出了一种基于 3、4、5 阶 motif-based features 的监督分类算法来预测链接，实验结果显示在构建完好的分类数据集上使用现成的分类器，相较于之前基于拓扑结构和特征学习方法，准确率提高了 10 个百分点。
link predictionsupervised classificationmotif-based featuresgraph topologyshortest-path distance
发现论文，激发创造
  • 高阶排名和链接预测：从闭合三角形到闭合高阶模式

    我们引入了模式闭合的概念，并基于闭合高阶网络模式的概念描述了基于高阶排名和链接预测方法。这些方法对于基于实时排名和链接预测的应用，如网络搜索，在线广告和推荐，具有快速高效的特点。

    Jun, 2019

  • 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

  • 学习和提取图特征进行链接预测的综述

    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。

    Jan, 2019

  • 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

  • 基于持久同调的链路预测：交互视角

    该研究提出了一种基于扩展持久同调的拓扑特征，以编码连接节点的多跳路径的丰富的结构信息，并提出了一种图神经网络方法，优于不同基准的现有技术。此外，该研究还提出了一种更高效地计算扩展持久性图的算法，可以普遍应用于加速图学习任务中的许多其他拓扑方法。

    Feb, 2021

  • 单纯闭包与高阶链接预测

    使用高阶交互作用模型，研究 19 个数据集的时空演化，证明高阶交互作用种类多样，同一系统类型的数据集具有一致的高阶结构模式，同时，密度与强度是高阶组织的竞争指标，并提出高阶链接预测作为模型和算法的基准问题，发现与传统的成对链接预测有根本区别。

    Feb, 2018

  • 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

  • 基于网络模式识别的作者归属

    利用复杂网络的概念和方法，研究关键词识别、自动提取摘要和作者归属等自然语言处理任务中的模式识别技术，提出了基于功能词重复模式的作者归属任务，运用机器学习方法对其进行验证，结果表明模式能够区分不同作者的写作风格，并推荐将其应用于其他相关的语言任务。

    Jul, 2016

  • 基于模式的图卷积神经网络

    该论文介绍了一种新的卷积神经网络架构，名为 Motif-CNN，能够处理具有不规则连接结构的图形，特别是异构图形，实现了半监督节点分类，并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。

    Nov, 2017