Bipartite Link Prediction based on Topological Features via 2-hop Path
Korea University(高丽大学)
现实世界中的各种系统都可以建模为二分网络。线性图自动编码器(LGAE)是链接预测中功能最强大、最简单的方法之一,它在链接预测和节点聚类等具有挑战性的任务中具有良好的性能。LGAE依赖于简单的线性模型w.r.t.图的邻接矩阵来学习节点的向量空间表示。在本文中,我们考虑的情况下,二分链接预测的节点属性是不可用的。当使用LGAE时,我们建议将重建的邻接矩阵与对称归一化的训练邻接矩阵相乘。其结果是,2跳路径形成,我们使用的预测邻接矩阵来评估我们的模型的性能。在合成数据集和真实数据集上的实验结果表明,我们的方法在12个二分数据集中的10个数据集上始终优于Graph Autoencoder和Linear Graph Autoencoder模型,并在另外2个二分数据集上达到了竞争性性能。
2020-03-19 cs.LG cs.SI stat.ML
BicliqueEncoder: An Efficient Method for Link Prediction in Bipartite Networks using Formal Concept Analysis and Transformer Encoder
Graduate School of Informatics, Kyoto University(京都大学情报学研究科)
针对现有基于双团的二部网络链接预测方法可扩展性差、难以处理大规模数据集的问题,提出结合冰山概念格与Transformer编码器的BicliqueEncoder方法,在保证预测性能的同时提升了计算效率,在大小数据集上均验证了有效性。
2025-03-20 cs.LG cs.SI
Link Prediction in Bipartite Networks
Galatasaray University(加拉塔萨雷大学);Laboratoire Informatique d’Avignon(阿维尼翁计算机实验室);Avignon Université(阿维尼翁大学)
本文针对二分网络链接预测研究不足的问题,实验比较了19种方法,并提出将基于GCN的推荐系统用于该任务,在3个真实数据集上验证了其有效性。
2024-06-10 cs.AI cs.IR cs.SI
Weighted, Bipartite, or Directed Stream Graphs for the Modeling of Temporal Networks
我们最近介绍了一种用于时态网络建模的形式主义,我们称之为流图。它强调数据的流性质,并允许对许多重要概念的严格定义,从而概括了经典图。这特别包括大小、密度、集团、邻域、度、聚类系数和传递性。在这方面的贡献,我们表明,像图,流图可以扩展到应付二分结构,节点和链接的权重,或链接方向。我们回顾了文献中提出的主要的二分,加权或有向图的概念,我们将它们推广到二分,加权,或有向流图的情况下,我们表明,得到的概念是一致的图和流图。这为具有这些特征中的一个或多个的许多时间网络的准确建模提供了正式的基础。
2021-11-23 cs.DS cs.SI physics.soc-ph
Trend prediction in temporal bipartite networks: the case of Movielens, Netflix, and Digg
用户购买或收集某种物品的在线系统可以有效地表示为时间二分网络,其中节点和链接都随时间增加。我们使用这种表示来预测哪些项目可能在不久的将来变得流行。各种预测方法在三个不同的数据集上进行评估,这些数据集来自流行的在线服务(Movielens,Netflix和Digg)。我们表明,预测性能可以进一步提高,如果用户的社交网络是已知的,在这个网络中的个人用户的中心是用来衡量他们的行动。
2013-02-13 cs.SI physics.soc-ph
Tensorial and bipartite block models for link prediction in layered networks and temporal networks
现实世界中的许多复杂系统都可以很好地表示为多层网络,预测这些系统中的相互作用是预测网络科学中最紧迫的问题之一。为了解决这一挑战,我们引入了两个随机块模型的多层和时间网络,其中一个使用节点作为其基本单元,而另一个侧重于链接。我们还开发了可扩展的算法来推断这些模型的参数。由于我们的模型同时描述了所有层,因此我们的方法在对任何特定层进行预测时都充分利用了整个网络中包含的信息。我们通过分析两个经验数据集来说明我们的方法的潜力-电子邮件通信的时间网络和治疗不同癌症类型的药物相互作用网络。我们发现,同时对所有层进行建模确实会导致更准确的链接预测。然而,最具预测性的模型取决于所考虑的数据集;而基于节点的模型更适合预测药物相互作用,基于链接的模型更适合预测电子邮件通信。
2018-03-05 cs.SI physics.data-an physics.soc-ph
Scale Free Projections Arise from Bipartite Random Networks
本文提出二分图上的 Randomly Stopped Linking Model 扩展,证明高方差几何分布混合可产生幂律,无需优先连接或增长即可解释无标度投影的形成。
2024-09-27 cs.DM cs.SI physics.soc-ph
GegenNet: Spectral Convolutional Neural Networks for Link Sign Prediction in Signed Bipartite Graphs
National University of Singapore(新加坡国立大学);Hong Kong Baptist University(香港 Baptist 大学)
本文提出GegenNet,一种基于Gegenbauer多项式滤波器和符号感知谱卷积的神经网络模型,用于符号二部图中的链接符号预测,在6个数据集上显著优于11个基线方法。
2025-08-27 cs.LG cs.SI
Community detection for networks with unipartite and bipartite structure
发现网络中的社团结构在网络科学、技术和应用中具有重要意义。迄今为止,大多数旨在寻找社区结构的算法只关注单部或二部网络。单部网络由一组节点组成,二部网络由两组不重叠的节点组成,只有链接连接不同集合中的节点。然而,存在第三种类型的网络,这里定义为混合网络。和二分网络一样,混合网络也由两组节点组成,但有些节点可能同时属于两组,这打破了二分网络的不重叠限制。混合网络可以被认为是一般情况,单部和二部网络被视为其限制情况。混合网络不仅可以表示所有的单部网络和二部网络,还可以表示在生物学和社会科学等领域中无法正确表示为单部网络或二部网络的各种现实网络。基于这一观察,我们首先提出了一个概率模型,该模型可以在基于单部无向网络的链接社区模型的统一框架中找到单部,二部和混合网络中的模块[B Ball et al(2011 Phys. Rev. E 84 036103)]。我们在合成网络(重叠和非重叠社区)上测试我们的算法,并将其应用于两个真实世界的网络:南方女性二分网络和人类转录调控混合网络。结果表明,我们的模型表现良好的所有三种类型的网络,是有竞争力的单部或二部网络的其他算法,并适用于现实世界的网络。
2014-09-12 cs.SI physics.soc-ph q-bio.QM
Efficient community detection of network flows for varying Markov times and bipartite networks
网络流的社区发现通常假设链路上的一步动态。对于稀疏网络和对大规模结构的兴趣,更长的时间尺度可能更合适。但是,对于大型网络和对小规模结构的兴趣,较短的时间尺度可能更好。然而,目前的方法分析网络在不同的时间尺度需要昂贵的,往往是不可行的网络重建。为了克服这个问题,我们引入了一种方法,利用映射方程的内部工作原理,并避免了重建步骤。这使得可以在不同的马尔可夫时间有效地分析大型网络,而无需额外的开销成本。该方法还避免了昂贵的单部投影识别流模块的二部网络。
2016-03-19 cs.SI physics.soc-ph
Signed Bipartite Graph Neural Networks
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
签名网络是这样的社交网络,既有积极的联系,也有消极的联系。已经开发了许多理论和算法来对这样的网络进行建模(例如,平衡理论)。然而,以前的工作主要集中在单部签署网络的节点具有相同的类型。符号二部网络不同于经典的符号网络,它包含两个不同的节点集和两个节点集之间的符号链接。签名二部网络在商业、政治、学术等领域都有广泛的应用,但研究较少。在这项工作中,我们首先定义了相同的节点集的符号关系,并提供了一个新的角度来分析带符号的二部网络。然后,我们做了一些全面的分析,从两个角度的平衡理论在几个现实世界的数据集。具体来说,在同行评议数据集中,我们发现,在反驳阶段后,符号二分网络中平衡同构的比例增加。在这两个观点的指导下,我们提出了一种新的符号二分图神经网络(SBGNNs)来学习符号二分网络的节点嵌入。SBGNN遵循大多数GNN的消息传递方案,但我们为签名二分网络设计了新的消息函数,聚合函数和更新函数。我们验证了我们的模型在四个真实世界的数据集上的链接符号预测任务,这是签名网络的主要机器学习任务的有效性。实验结果表明,我们的SBGNN模型取得了显着的改善相比,强基线方法,包括基于特征的方法和网络嵌入方法。
2021-10-11 cs.AI cs.SI
Latent geometry of bipartite networks
尽管有大量的二分网络系统,但与单分网络相比,它们的组织原理研究较少。二分网络通常在将它们投影到两组节点之一后进行分析。作为投影的结果,如果相同集合的节点在二分网络中至少有一个共同的邻居,则它们被链接在一起。尽管这些预测允许人们使用为单分网络开发的工具来研究二分网络,但单模式预测会导致信息的重大损失和具有完全连接子图的预测网络的人为膨胀。在这里,我们追求一种不同的方法来分析二分系统,该方法基于这样的系统具有潜在度量结构的观察:网络节点是潜在度量空间中的点,而连接更有可能在距离较短的节点之间形成。这种方法是为单部网络开发的,而对它对二部系统的适用性知之甚少。在这里,我们充分分析了一个简单的潜在几何模型的二部网络,并表明,该模型解释了许多真正的二部系统的特殊结构特性,包括分布的共同邻居和二部集群。我们还分析了该模型中的单模式投影的几何信息损失,并提出了一种有效的方法来推断节点之间的潜在成对距离。揭示真实二分网络的潜在几何结构可以在不同的领域中找到应用,从构建高效的推荐系统到理解细胞代谢。
2017-03-09 cs.SI physics.soc-ph
Hidden Variables in Bipartite Networks
本文介绍并研究了带隐变量的随机二部网络。在这些网络中的节点的特点是隐藏的变量,控制节点对之间的链接的外观。我们推导出这些网络的度分布,度相关性,分布的共同邻居的数量,和二分聚类系数的解析表达式。我们还建立了原始二分网络中的节点度与其单分投影中的节点度之间的关系。我们进一步展示了如何隐变量形式主义可以应用于分析网络的拓扑性质在某些二部网络模型,并验证我们的分析结果在数值模拟。
2011-08-24 cond-mat.dis-nn cond-mat.stat-mech cs.SI
Meta-validation of bipartite network projections
二部网络的单部投影是复杂系统中间接相互作用建模的有用工具。识别重要链接的标准方法是使用合适的零网络模型进行统计验证,例如流行的配置模型(CM),它限制节点度并随机化其他所有内容。然而,不同的CM公式存在,这取决于如何施加约束和节点的集合。在这里,我们系统地研究了这些公式在验证同一网络中的应用,表明即使使用相同的显著性阈值,它们也会导致不同的结果。相反,对于相同密度的验证链接,获得了更好的协议。因此,我们提出了一种元验证方法,允许识别特定于模型的显著性阈值,其中信号是最强的,并在同一时间获得结果的方式,其中零假设制定独立。我们用世界各国科学生产的数据来说明这一过程。
2022-04-05 cond-mat.dis-nn cs.SI physics.data-an
Stability of similarity measurements for bipartite networks
相似性是网络分析和机器学习算法中的基本度量,具有广泛的应用,从个性化推荐到社会经济动态。我们认为,一个有效的相似性度量应该保证稳定性,即使在一些信息损失。通过比较从原始数据集中随机划分的两个数据样本的相似性矩阵,利用六个二分网络研究了十五种相似性度量的稳定性。结果表明,15个测量值可以很好地根据其稳定性分为3类,在同一类中的测量值具有相似的数学定义。此外,我们还提出了一种用于个性化推荐的$n$ -stability方法,发现不稳定的相似度会向用户推荐虚假信息,使用稳定的相似度可以大大提高推荐性能。该研究为相似性度量的分析和评价提供了一个新的维度,可以进一步应用于链接预测、个性化推荐、聚类算法、社区检测等领域。
2015-11-30 cs.SI physics.soc-ph
The role of bipartite structure in R&D collaboration networks
事实上,许多真实世界的网络都是由两种类型的节点组成的二分网络的单模投影。对于参与技术创新合作的机构来说,潜在的网络是由与他们申请的专利(人工制品)相关的机构(代理人)组成的双边网络,而投影则是共同专利网络。投影网络拓扑高度受底层二分结构的影响,因此缺乏对二分网络的理解会对可能从单模式共同专利网络中提取的信息产生影响。在这里,我们使用来自270万项专利的数据创建了一个经验二分网络。我们将这个网络投射到代理(机构)上,并研究可能在知识共享和协作中发挥作用的二分网络和投射网络的属性。我们将这些经验性质与合成二分网络及其预测进行比较,以了解网络形成中可能操作的过程。对拓扑结构的良好理解对于研究技术知识的潜在流动至关重要。我们展示了度分布和小循环如何影响单模式投影网络的拓扑结构-特别是度和聚类分布,以及重复性。我们提出了新的网络为基础的指标,以量化合作代理人是如何在共同专利网络。我们发现,几个大公司是网络中最合作的代理人,但这样的组织往往有一个低多样性的合作者。相比之下,最多产的机构往往合作相对较少,但与不同的合作者。这表明,他们集中了核心技术研究的知识,同时通过与较小的公司合作寻求具体的补充知识。
2020-05-04 cs.SI physics.soc-ph
Inferring monopartite projections of bipartite networks: an entropy-based approach
目前,二分网络被认为是对许多现实世界系统组织的重要见解,揭示了驱动不同节点组之间发生交互的机制。在对二分网络建模时遇到的最重要的问题之一是设计一种方法来获得感兴趣层上的(单分)投影,该投影尽可能保留编码到原始二分结构中的信息。在本文中,我们提出了一个算法来获得验证投影的二分网络,根据该算法,任何两个节点共享一个验证有效数量的邻居链接。由于评估节点相似性的统计意义需要一个适当的统计基准,在这里我们考虑一组四个空模型,定义在指数随机图框架内。我们的算法输出一个矩阵的链接特定的p值,从一个有效的投影是直接获得的,在运行多个假设检验程序。最后,我们测试我们的方法在经济网络(即国家产品的世界贸易网络表示)和社交网络(即MovieLens,收集用户的电影列表的评级)。在这两种情况下,非平凡的社区被检测到:虽然在国家层上投影世界贸易网揭示了类似工业化国家的模块,但在产品层上投影它可以检测到复杂程度不断增加的社区;在第二种情况下,在电影层上投影MovieLens可以使其亲和力不能完全由类型相似性来解释的电影集群个性化。
2017-05-17 cs.SI physics.data-an physics.soc-ph
What can we learn from marketing skills as a bipartite network from accredited programs?
本研究构建营销技能与经认证研究生项目的无向二部网络,发现技能的流行性、同质性与岗位需求存在弱系统性匹配,定性层面二者匹配度不足。
2024-11-01 cs.SI physics.soc-ph stat.ME
Entropy-based randomisation of rating networks
在过去的几年里,由于电子商务的广泛传播,在线评级平台迅速成为购买推荐的常用工具。然而,用于其分析的仪器并没有以同样的速度发展。事实上,只要考虑用户和产品的二分网络,就可以恢复关于用户习惯和品味的有趣信息,其中链接由于分配给项目的分数而具有不同的权重。对于其他加权二分网络,在这些系统中,我们观察到每个链接的最大可能权重,这限制了结果的可变性。在本文中,我们提出了一个基于熵的随机化(二分)评级网络通过扩展配置模型框架:随机化网络满足每个评级的程度的约束,即指定产品收到的给定评级的数量或由单个用户分配。我们首先表明,这样的空模型是能够重现几个非平凡的功能,真正的网络比其他空模型。然后,使用它作为基准,我们将包含在真实系统中的信息投射到其中一个层上,例如,由于客户的品味,音乐专辑社区的划分,或者由于观众的电影。
2018-05-02 cs.SI physics.soc-ph
Bipartite structure and dynamics of political corruption networks
University of Maribor(马里博尔大学);Community Healthcare Center Dr. Adolf Drolc Maribor(马里博尔阿道夫·德罗尔博士社区健康中心);Kyung Hee University(庆熙大学);Korea University(韩国大学)
本文通过二元网络分析揭示了政治腐败网络中代理人与案件的不 assortative 度混合,发现低再犯率和高协调成本,以及犯罪轨迹的网络嵌入度逐步上升。
2026-01-13 cs.SI physics.soc-ph
Link Prediction for Temporally Consistent Networks
动态网络具有内在的结构、计算和多学科优势。链接预测估计动态网络中的下一个关系。然而,在当前的链接预测方法中,仅考虑二分或非二分但同质的网络。使用邻接矩阵来表示动态演化的网络限制了从异构、稀疏或形成的网络中分析学习的能力。在异构网络的情况下,使用二进制值矩阵对所有网络状态进行建模可能是困难的。另一方面,稀疏或当前形成的网络具有许多缺失的边缘,这些边缘被表示为零,从而引入类不平衡或噪声。我们提出了一个时间参数化矩阵(TP矩阵),并实证证明其在非二分异构网络的有效性。此外,我们提出了一个预测影响力指数作为衡量一个节点的提升或减少预测的影响,使用向后和向前看的最大化的时间空间的n度邻域。我们进一步提出了一种新的方法,规范表示异构的时间演化活动的时间参数化网络模型(TPNM)。新方法鲁棒地使活动被表示为网络的形式,从而潜在地激发新的链接预测应用,包括智能业务流程管理系统和上下文感知工作流引擎。我们在不同网络系统的四个数据集上评估了我们的模型。我们目前的结果表明,该模型是更有效地捕捉和保持动态演变的网络中的时间关系。我们还表明,我们的模型比最先进的链接预测基准测试结果的网络是敏感的时间演变。
2020-06-06 cs.NE cs.SI
Degree distributions of bipartite networks and their projections
二分网络在分析社会和经济系统中非常重要,因为它们明确地显示了不同类型实体之间的概念联系。然而,这种网络的应用程序通常使用原始二分网络的投影(单模式)版本。投影网络的拓扑结构以及在其上发生的动力学,高度依赖于原始二分结构中两种不同节点类型的度分布。到目前为止,二分网络的度分布和它们的单模投影之间的相互作用只有在少数情况下才被很好地理解,或者对于满足一组限制性假设的网络。在这里,我们展示了一个更广泛的分析,以填补以前的研究留下的空白。我们使用生成函数的形式主义,证明了两个节点类型的度分布在原来的二分网络的影响,在投影版本的度分布。为了支持我们的分析,我们使用配置模型模拟了几种类型的合成二分网络,其中节点度根据特定的概率分布(从峰值分布到重尾分布)分配。我们的研究结果表明,当将一个二分网络投影到一组特定的节点上时,所得到的单模式网络的度分布遵循被投影到的节点的分布,但前提是相对的节点集的度分布没有更重的尾部。此外,我们表明,二分度分布不是唯一的功能驱动投影网络的拓扑结构形成,在文献中通常描述的。
2019-03-03 cond-mat.stat-mech cs.SI physics.soc-ph
Link residual closeness of graphs with fixed parameters
本研究针对网络脆弱性度量问题,刻画了阶数及单个图参数固定的连通图中使链路剩余接近度最大化的图的特征,完善了链路剩余接近度的理论分析。
2023-11-05 cs.SI
WCCS: Efficient Wedge Conductance Community Search over Large Temporal Bipartite Graphs (Full Paper)
College of Computer and Information Science, Southwest University(西南大学计算机与信息科学学院);Huazhong University of Science and Technology(华中科技大学);Beijing Institute of Technology(北京理工大学)
针对现有二部图社区搜索忽略时序动态、高阶交互及社区质量的问题,提出WCCS问题,通过(α,β,τ)-楔形核和时序楔形传导率度量,结合在线过滤-扩展框架与离线压缩索引,在七个真实数据集上验证了高效性。
2026-09-16 cs.SI
Exploiting the Structure of Bipartite Graphs for Algebraic and Spectral Graph Theory Applications
在这篇文章中,我们将几种代数图分析方法推广到二部网络。在科学、工程和商业的各个领域中,许多类型的信息都可以用网络来表示,因此网络分析学科在这些领域中起着重要的作用。一类强大而广泛的网络分析方法是基于代数图论的,即,将图表示为正方形邻接矩阵。然而,许多网络都有一种非常特殊的形式,与这种表示相冲突:它们是双向的。也就是说,它们由两种节点类型组成,每条边连接一种类型的节点和另一种类型的节点。二分网络(也称为\emph{two-mode networks})的例子是个人和他们所属的社会团体,音乐艺术家和他们演奏的音乐流派,以及文本文档和它们包含的单词。事实上,任何类型的特征都可以用分类变量表示,可以解释为二分网络。虽然二分网络很普遍,但网络分析领域的大多数文献都集中在单分网络上,即,这些网络只有一种类型的节点。本文的目的是将一些重要的代数网络分析方法扩展到二分网络,表明代数图论中的许多方法只需稍加修改就可以应用于二分网络。我们展示了聚类,可视化和链接预测的方法。此外,我们引入了新的代数方法来衡量的双parativity近二部图。
2015-01-15 cs.DM cs.SI
Bipartite Graph Embedding via Mutual Information Maximization
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);National Computer Network Emergency Response Technical Team/Coordination Center of China(国家计算机网络应急技术处理协调中心);Xiaomi AI Lab, Xiaomi Inc.(小米公司小米人工智能实验室)
由于二部图在各个应用领域中的广泛应用,二部图嵌入近年来引起了人们的广泛关注。大多数以前的方法,采用基于随机行走或基于重建的目标,通常是有效的学习局部图结构。然而,二部图的全局性质,包括同构节点的社区结构和异构节点的长程依赖,没有得到很好的保持。在本文中,我们提出了一个二分图嵌入称为BigI捕捉这样的全球性的性质,通过引入一个新的局部-全球信息最大目标。具体来说,BiGI首先生成一个由两个原型表示组成的全局表示。BiGI然后通过所提出的子图级注意力机制将采样边缘编码为局部表示。通过最大化局部和全局表示之间的互信息,BiGI使二分图中的节点是全局相关的。我们的模型在各种基准数据集上进行评估,用于top-K推荐和链接预测。大量的实验表明,BiGI在最先进的基线上实现了一致和显著的改进。详细的分析验证了对二部图全局性质建模的有效性。
2020-12-10 cs.AI cs.SI
Multiplex Bipartite Network Embedding using Dual Hypergraph Convolutional Networks
The Australian National University(澳大利亚国立大学);Alibaba Group(阿里巴巴集团);National University of Singapore(新加坡国立大学)
二分网络是一种图结构,其中节点来自两个不同的域,并且仅存在域间交互作为边。存在大量的网络嵌入方法来从具有同构和异构节点和边类型的一般图中学习向量节点表示,包括一些可以专门建模二分网络的独特属性的方法。然而,这些方法不足以对多重二分网络(例如,在电子商务中),其具有多种类型的交互(例如,点击、查询和购买)和节点属性。大多数真实世界的多路二分网络也是稀疏的,并且具有不平衡的节点分布,这对建模具有挑战性。在本文中,我们开发了一个无监督的双超图卷积网络(DualHGCN)模型,该模型可扩展地将多路二分网络转换为两组同质超图,并使用谱超图卷积算子,以及内部和内部消息传递策略来促进域内和跨域的信息交换,以学习有效的节点嵌入。我们使用四个真实世界的数据集对DualHGCN进行链接预测和节点分类任务的基准测试。我们广泛的实验表明,DualHGCN显着优于国家的最先进的方法,是鲁棒的稀疏水平和不平衡的节点分布。
2021-02-12 cs.LG cs.SI
FOBE and HOBE: First- and High-Order Bipartite Embeddings
Google Brain(谷歌大脑);Clemson University(克莱姆森大学)
典型的图嵌入可能无法捕获推荐系统、数据可视化和药物发现等领域中出现的特定于类型的二分图特征。在这些应用中使用的机器学习方法将更好地服务于专门的嵌入技术。我们提出了两个嵌入的二分图,分解成节点邻域之间的间接关系的边缘集。当对高阶关系进行采样时,我们通过图上的代数距离来加强相似性。我们还引入了集成嵌入,将两者结合成“两全其美”的嵌入。在链接预测和推荐任务上对所提出的方法进行了评估,并与其他最先进的嵌入方法进行了比较。虽然在应用中非常有益,但我们证明了所考虑的嵌入都没有明显的优越性(与许多论文中所声称的相反),并讨论了它们之间的权衡。复制:我们的代码、数据集和结果都可以在http://sybrandt.com/2020/fobe_hobe上公开获得。
2020-07-23 cs.LG cs.SI stat.ML
Spring-Electrical Models For Link Prediction
Yandex School of Data Analysis(Yandex数据分析学院);Yandex
我们提出了一个链接预测算法,是基于弹簧电模型。研究这些模型的想法来自于弹簧电模型已成功用于网络可视化的事实。良好的网络可视化通常意味着在网络拓扑方面相似的节点,例如,连接的和/或属于一个集群,倾向于被可视化为彼此靠近。因此,我们假设所获得的网络布局中的节点之间的欧几里德距离与它们之间的链接的概率相关。我们对几个流行的基线评估所提出的方法,并证明其灵活性,将其应用于无向,有向和二分网络。
2019-05-24 cs.LG cs.SI stat.ML
GPSP: Graph Partition and Space Projection based Approach for Heterogeneous Network Embedding
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);School of Computer Science, South China Normal University(华南师范大学计算机学院)
在本文中,我们提出了GPSP,一种新的图形划分和空间投影为基础的方法,学习表示的异构网络,由多种类型的节点和链接。具体地说,我们首先将异构网络划分为同质和二分子网络。然后,通过学习投影嵌入向量,提取隐藏在二部子网络中的投影关系。最后,我们将来自二分子网络的投影向量与从同构子网络中学习到的投影向量连接起来,以形成异构网络的最终表示。在真实数据集上进行了广泛的实验。结果表明,GPSP优于国家的最先进的基线在两个关键的网络挖掘任务:节点分类和聚类。
2018-03-07 cs.AI cs.SI