Predicting the occurrence of links is a fundamental problem in networks. In the link prediction problem we are given a snapshot of a network and would like to infer which interactions among existing members are likely to occur in the near future or which existing interactions are we missing. Although this problem has been extensively studied, the challenge of how to effectively combine the information from the network structure with rich node and edge attribute data remains largely open.
We develop an algorithm based on Supervised Random Walks that naturally combines the information from the network structure with node and edge level attributes. We achieve this by using these attributes to guide a random walk on the graph. We formulate a supervised learning task where the goal is to learn a function that assigns strengths to edges in the network such that a random walker is more likely to visit the nodes to which new links will be created in the future. We develop an efficient training algorithm to directly learn the edge strength estimation function.
Our experiments on the Facebook social graph and large collaboration networks show that our approach outperforms state-of-the-art unsupervised approaches as well as approaches that are based on feature extraction.
Random Walks with Erasure: Diversifying Personalized Recommendations on Social and Information Networks
Stanford University（斯坦福大学）；University of Zürich（苏黎世大学）
大多数现有的个性化系统推广与用户先前的选择相匹配的项目或在类似用户中流行的项目。这会导致建议与用户已经接触到的建议高度相似，导致他们被隔离在熟悉但绝缘的信息孤岛中。在这种情况下，我们开发了一种新的推荐框架，其目标是使用修改后的用户项图的随机游走探索来提高信息多样性。我们专注于政治内容推荐的问题，同时解决适用于其他社会和信息网络的个性化任务的一般问题。为了在社交网络上推荐政治内容，我们首先提出了一个新的模型来估计用户和他们分享的内容的意识形态立场，该模型能够以高精度恢复意识形态立场。基于这些估计的位置，我们产生多样化的个性化推荐使用我们的新的随机行走为基础的推荐算法。通过对Twitter讨论的大数据集的实验评估，我们表明，我们的方法基于\emph{random walks with erasure}是能够产生更多的意识形态多样化的建议。我们的方法并不依赖于用户或内容制作者的偏见标签的可用性。通过在其他社交和信息网络的开放基准数据集上的实验，我们还证明了我们的方法在推荐不同长尾项目方面的有效性。
A Preference Random Walk Algorithm for Link Prediction through Mutual Influence Nodes in Complex Networks
Queensland University of Technology（昆士兰科技大学）；Azarbaijan Shahid Madani University（阿塞拜疆沙希德·马达尼大学）；University of Applied Science and Technology（应用科学与技术大学）
Rising Novelties on Evolving Networks: Recent Behavior Dominant and Non-Dominant Model
新奇吸引人的注意力就像流行一样。因此，预测新颖性与流行性同样重要。新奇是进化系统中竞争和老化的副作用。网络中最近的行为或最近的链接增益在涌现或趋势中起着重要作用。我们利用这一智慧，提出了两个考虑不同场景和系统的模型。其中，在第一个中，最近的行为在总行为（总链路增益）上占主导地位，并且在第二个中，最近的行为与总行为对于未来链路增益一样重要。它假设随机步行者在网络上行走，可以跳到任何节点，跳到或连接到其他节点的概率取决于哪个节点最近更活跃或接收更多的链接。在我们的假设中，随机步行者也可以跳到已经流行但最近不流行的节点。我们能够预测上升的新奇或流行的节点，这通常是抑制下的优先连接效果。为了展示我们模型的性能，我们对四个真实数据集进行了实验，即MovieLens，Netflix，Facebook和Arxiv High Energy Physics论文引用。为了检验我们的模型，我们使用了四个信息检索指标，即精度，新颖性，接收操作特征下的面积（AUC）和肯德尔的秩相关系数。我们使用了四个基准模型来验证我们提出的模型。虽然我们的模型并不是在所有的情况下都表现得更好，但是，它对于更好地工作于最近的行为主导系统具有理论意义。
