Pairwise Link Prediction
链接预测是网络科学中的一个常见问题,涉及多个学科。目标是预测新链接的出现或找到网络中丢失的链接。用于链接预测的典型方法使用网络的拓扑来预测一对节点之间最可能的未来或丢失的连接。然而,网络演化通常是由涉及多对节点的高阶结构介导的;例如,三个节点上的集团(也称为三角形)是社交网络结构的关键,但标准的链接预测框架不能直接预测这些结构。为了解决这个差距,我们提出了一个新的链接预测任务,称为“成对链接预测“,直接针对新的三角形的预测,其中一个任务是找出哪些节点最有可能形成一个三角形与给定的边缘。我们开发了两个PageRank为基础的方法,我们成对的链接预测问题,并自然扩展到现有的链接预测方法。我们在各种网络上的实验表明,基于扩散的方法对所使用的图形类型不太敏感,并且其结果更加一致。我们还展示了我们的成对链接预测框架可以用来得到更好的预测标准的链接预测评估的上下文中。
2019-07-10 cs.SI physics.soc-ph
Hidden space reconstruction inspires link prediction in complex networks
链接预测是众多学科中的一个基本挑战,其目的是根据不完全的观测信息识别网络中的潜在链接,具有广泛的应用,从发现缺失的蛋白质-蛋白质相互作用到预测网络的演化。其中最有影响力的方法依赖于相似性指数的共同邻居或其变化的特点。我们构造了一个隐藏空间映射到欧氏空间的网络连接结构的基础上,完全网络。与节点的真实地理位置相比,我们重建的位置与真实位置是一致的。我们的隐藏空间中的节点之间的距离可以作为一种新的相似性度量在链接预测。此外,我们混合我们的隐藏空间方法与其他国家的最先进的相似性方法,大大优于现有的方法的预测精度。因此,我们的隐藏空间重建模型提供了一个新的角度来理解网络结构,特别是投下了新的光链接预测。
2017-03-25 cs.SI physics.data-an physics.soc-ph
Target Defense Against Link-Prediction-Based Attacks via Evolutionary Perturbations
在社交网络中,通过删除一些目标敏感链接,可以实现隐私保护。然而,在可观测网络上,通过链接预测方法仍然可以重新观测到一些隐藏链接。本文采用传统的链接预测方法资源分配指数(RA)进行隐私攻击。提出了几种防御方法,包括启发式和进化的方法,以保护目标链路从RA攻击通过进化扰动。这是第一次研究针对链接预测攻击的隐私保护。从网络中随机选择一些链接作为实验的目标链接。在六个真实网络上的仿真结果表明了进化扰动方法在目标防御RA攻击中的优越性。此外,传输实验表明,虽然进化扰动方法是针对RA攻击而设计的,但它对其他基于链接预测的攻击也是有效的。
2018-09-16 cs.SI physics.soc-ph
Fast link prediction for large networks using spectral embedding
许多链接预测算法需要计算每个顶点对上的相似性度量,这在顶点数量上是二次的,并且对于大型网络是不可行的。我们开发了一类链接预测算法的基础上的频谱嵌入和k最近对算法,可扩展到非常大的网络。我们比较了这些方法的预测精度和运行时间,现有的几个大的链接预测任务的算法。我们的方法达到了与标准算法相当的精度,但速度要快得多。
2017-03-28 cs.SI physics.soc-ph
Improving local clustering based top-L link prediction methods via asymmetrical link clustering information
网络可以代表广泛的复杂系统,如社会,生物和技术系统。链接预测是网络分析中最重要的问题之一,近年来引起了广泛的研究兴趣。为了解决这一问题,人们提出了许多链接预测方法,并采用了各种技术。我们可以注意到,聚类信息在解决链接预测问题中起着重要的作用。在以往的文献中,我们发现节点聚集系数经常出现在许多链接预测方法中。然而,节点聚类系数不能区分节点对不同节点对的聚类能力,仅限于描述一个共同邻居在不同局部网络中的作用。在本文中,我们把我们的重点从节点到链路,并提出了非对称链路聚类(ALC)系数的概念。在此基础上,通过ALC的概念对三种基于节点聚类的链接预测方法进行了改进.实验结果表明,基于ALC的方法优于基于节点聚类的方法,特别是在食物网,仓鼠友谊和互联网网络取得了显着的改善。此外,与其他方法相比,基于ALC的方法在全球化和个性化的top-L链接预测任务中的性能非常稳定。
2017-11-22 cs.SI physics.soc-ph
Community Detection in Complex Networks using Link Prediction
社区发现和链接预测在网络分析中具有重要意义,它们从不同的角度对网络的拓扑结构提供了非常有价值的见解。针对链接预测能否提高社区划分的准确性这一问题,提出了一种新的社区发现算法,该算法引入了链接预测.对于链接预测,我们提出了两个新的索引来计算每对节点之间的相似性,其中一个旨在添加丢失的链接,另一个试图删除虚假的边缘。在基准数据集上进行了大量的实验,并将该算法的结果与两类基线进行了比较。总之,我们提出的算法是有竞争力的,揭示了链接预测确实提高了社区发现的精度。
2017-07-10 cs.SI physics.soc-ph
Link Prediction Adversarial Attack
深度神经网络在解决计算机视觉和一些图进化任务(如节点分类和链接预测)方面表现出了卓越的性能。然而,各种对抗性攻击方法生成的精心设计的对抗性示例也揭示了深度模型的脆弱性。随着深度模型在复杂网络分析中的广泛应用,本文定义并描述了链接预测对抗攻击问题,并提出了一种基于训练图自动编码器(GAE)中梯度信息的迭代梯度攻击(IGA)。据我们所知,这是第一次链接预测对抗攻击问题的定义和攻击方法提出。毫不奇怪,GAE很容易被对抗网络欺骗,在干净的网络上只有少数链接受到干扰。通过对不同的真实世界数据集进行全面的实验,我们可以得出结论,大多数基于深度模型和其他最先进的链接预测算法都无法像GAE一样逃脱对抗性攻击。一方面可以使攻击作为一种有效的隐私保护工具,避免链接预测的未知侵犯,另一方面,链接预测攻击可以作为现有链接预测算法攻击防御性的鲁棒性评价指标。
2018-10-09 cs.SI physics.soc-ph
Link Prediction Based on Local Random Walk
复杂网络中的失链预测问题近年来引起了广泛的关注。链接预测的两个难点是目标网络的稀疏性和庞大的规模。因此,设计一种高效、有效的方法具有重要的理论意义和实际意义。在这封信中,我们提出了一种基于局部随机游走的方法,该方法可以给出具有竞争力的良好预测,甚至比其他基于随机游走的方法更好的预测,同时具有较低的计算复杂度。
2010-01-14 physics.data-an physics.soc-ph
Robustness of link prediction under network attacks
虽然网络中的链接预测多年来一直是一个热门话题,但其鲁棒性在文献中尚未得到很好的讨论。本文研究了一些主流的链路预测方法在各种网络攻击策略下的鲁棒性,包括随机攻击(RDA)、基于中心性的攻击(CA)、基于相似性的攻击(SA)和基于模拟退火的攻击(SAA)。通过对链路预测的一个典型评价指标精度的变化,我们发现对于SA和SAA,一小部分的链路删除会显著降低链路预测的性能。一般来说,SAA具有最高的攻击效率,其次是SA和CA。有趣的是,一些特定的CA策略,如基于介数的攻击(BA)的性能甚至比RDA更差。此外,我们发现,一个高性能的链接预测方法可能具有较低的攻击鲁棒性,反之亦然。
2018-11-12 cs.SI physics.soc-ph
Link Prediction in Networks with Nodes Attributes by Similarity Propagation
链接预测的问题最近已经引起了社会学、人类学、信息科学和计算机科学等各个领域的相当大的关注。提出了一种基于随机游走传播的链接预测算法。在该算法中,网络中的每一条链路被分配一个传输概率,根据由链路连接的节点上的属性的相似性。节点之间的链路相似性分数然后根据它们的传输概率经由链路传播。实验结果表明,该算法在具有节点属性的网络上可以获得比其他算法更高质量的结果。
2015-02-15 cs.SI physics.soc-ph
Link prediction with hyperbolic geometry
链路预测是网络科学中的一个典型问题,具有广泛的应用。在潜在空间网络模型中,这个问题归结为按照节点之间潜在距离的增加顺序对节点对进行排序。具有双曲潜在空间的网络模型具有许多吸引人的性质,这表明它必须是预测链接的强大工具,但过去在这个方向上的工作报告了混合的结果。在这里,我们进行系统的调查潜在的双曲几何链接预测网络中的效用。我们首先表明,一些措施的链接预测精度是非常敏感的不准确性,在推理的潜在的双曲线坐标的节点,所以我们开发了一种新的坐标推理方法,最大限度地提高这种推理的准确性。将这种方法应用于合成和真实网络,我们发现,虽然存在许多有竞争力的方法来预测明显的易于预测的链接,其中双曲线链接预测很少是最好的,但往往是有竞争力的,当任务是预测不太明显的缺失链接时,它是最好的,通常是到目前为止,真的很难预测。这些链接包括不完整网络中的缺失链接,缺失链接的比例很大,节点之间没有任何共同的邻居,以及在大潜在距离的不同节点之间的缺失链接。总的来说,这些结果表明,一个特定的链接预测任务越难,就越应该认真考虑使用双曲几何。
2020-11-02 cs.SI physics.soc-ph
Network structural perturbation against interlayer link prediction
层间链路预测的目的是在复用网络的不同层上匹配相同的实体。现有的研究试图从网络结构、属性特征及其组合等方面进行更准确、更有效或更一般性的预测。很少有人分析层内链接的影响。也就是说,很少有工作研究的骨干结构,可以有效地保持预测的准确性,同时处理较少数量的层内链接。它可用于研究哪些类型的层内链接对于正确预测最重要。是否存在任何层内链接,其存在会导致预测性能比不存在时更差,以及如何以最小的成本攻击预测算法?为此,提出了两种网络结构摄动法。对于整个网络的结构信息完全已知的情况下,我们提供了一个全局扰动策略,赋予不同类型的层内链路不同的扰动权重,然后选择一个预定比例的层内链路删除根据权重。相反,如果这些信息不能一次获得,我们设计了一个有偏随机游走过程,局部扰动策略,执行扰动。四种层间链路预测算法在不同的真实世界和人工扰动的复用网络上进行。我们发现,与小度节点连接的层内链接对预测精度的影响最大。与大度节点连接的层内链路可能对层间链路预测产生副作用。
2022-05-18 cs.SI physics.soc-ph
Link Prediction in Complex Networks: A Mutual Information Perspective
近年来,网络的拓扑性质被广泛应用于链路预测问题的研究。例如,共同邻居是一个自然而有效的框架。因此,已经提出了许多变体的共同邻居,以进一步提高候选链接的判别分辨率。本文从信息论的角度重新审视了网络拓扑在预测丢失链路中的作用,并提出了一种基于网络结构互信息的实用方法。该方法不仅可以大幅度提高预测精度,而且计算复杂度也比较合理.
2014-09-17 cs.SI physics.soc-ph
Playing the role of weak clique property in link prediction: A friend recommendation model
研究链路预测的一个重要事实是,网络的结构特性对算法的性能有很大的影响。因此,如何利用网络的结构特性来提高链路预测的性能是一个重要的问题。通过对许多实际网络的分析,我们发现了一个共同的结构性质:节点优先链接到具有弱团结构的节点(简称PWCS)。基于这种PWCS现象,我们提出了一个本地的朋友推荐(FR)指数,以促进链接预测。实验结果表明,FR索引的性能普遍优于常见的局部相似性索引,如公共邻居(CN)索引、Adamic-Adar(AA)索引和资源分配(RA)索引。然后,我们解释了为什么PWCS可以引起更好的性能的FR指数在链接预测。最后,利用PWCS现象提出了一种混合的朋友推荐指数(标记MFR),进一步提高了链接预测的准确性。
2016-01-20 cs.SI physics.soc-ph
Leveraging Friendship Networks for Dynamic Link Prediction in Social Interaction Networks
在线社交网络(OSN)通常包含用户之间的许多不同类型的关系。在研究Facebook等OSN的结构时,最常被研究的两个网络是友谊网络和互动网络。友情网络中的链接预测问题已经得到了大量的研究。先前也有关于独立于友谊网络的交互网络中的链接预测的工作。在本文中,我们研究了结合友谊和互动网络的预测能力。我们假设,通过利用友谊网络,我们可以提高互动网络中链接预测的准确性。我们增加了几个互动链接预测算法,将友谊和预测的友谊。从Facebook数据的实验中,我们发现,将友谊的互动链接预测算法的结果在更高的准确性,但结合预测的友谊没有相比,结合当前的友谊。
2018-04-23 cs.SI physics.soc-ph
Multiplex Graph Association Rules for Link Prediction
多重网络使我们能够研究各种复杂的系统,其中节点以多种方式相互连接,例如社交网络中的朋友,家人和同事关系。链接预测是网络分析的一个分支,它允许我们预测网络的未来状态:哪些新的连接最有可能在未来出现?在多路复用链接预测中,我们还问:哪种类型的?因为这最后一个问题是无法回答与经典的链接预测,在这里,我们研究使用图关联规则通知多路链接预测。我们通过多重图挖掘识别网络中的所有频繁模式来获得这些规则,然后通过找到原始网络中每个规则的出现次数来对每个未观察到的链接的可能性进行评分。关联规则为多路链接预测增加了新的能力:预测新的节点到达,考虑具有四个或更多节点的高阶结构,以及内存效率。在我们的实验中,我们表明,利用图关联规则,我们能够实现接近理想的集成分类器的预测性能。此外,我们进行了一个案例研究,签署的多重网络,显示图关联规则可以提供有价值的见解,以扩展社会平衡理论。
2020-08-19 cs.SI physics.soc-ph
Overlapping Communities and the Prediction of Missing Links in Multiplex Networks
多路复用网络是将现实世界的复杂系统表示为通过不同类型的连接(即层)连接的一组实体(即节点)。这些网络中观察到的连接可能并不完整,链接预测任务是跨层定位丢失的链接。在这里,主要的挑战是从不同的层收集相关的证据,以帮助链接预测任务。众所周知,社区中的共同成员资格增加了节点之间连接的可能性。我们讨论的共同成员在社区的相似层增加了连接的机会。如果这些层显示出显著的层间群落重叠,则它们被认为是相似的。此外,我们发现,虽然链接的存在是相关的层,但这种相关性的程度是不一样的不同社区。我们建议,ML-BNMTF,作为一种链路预测方法在复用网络中,设计基于这些发现。ML-BNMTF优于基线方法,特别是当全球链路重叠低。
2020-05-15 cs.SI physics.soc-ph
Link community detection through global optimization and the inverse resolution limit of partition density
我们调查的可能性,全局优化为基础的重叠社区检测,使用链接社区框架。我们首先表明,分区密度,链接社区检测方法中使用的原始质量函数,是不适合作为一个质量函数的全局优化,因为它更喜欢打破社区成三角形,除非在高度有限的条件。我们分析得出这些条件,并确认它与各种合成和现实世界的网络直接优化的计算结果。为了克服这一限制,我们提出了替代方法相结合的加权线图变换和现有的质量功能,基于节点的社区。我们提出了一个新的线图加权方案,归一化Jaccard指数。计算结果表明,使用归一化Jaccard指数生成的加权线图进行社区检测可以更准确地确定社区结构。
2016-01-19 cs.SI physics.comp-ph physics.soc-ph
Collective Link Prediction Oriented Network Embedding with Hierarchical Graph Attention
为了享受更多的社交网络服务,现在的用户通常同时参与多个在线网站。结盟的社交网络提供了更多的信息,以缓解数据不足的问题。在本文中,我们的目标是集体链接预测问题,旨在预测网络内的社会链接,以及跨多个对齐的社交网络的网络间的锚链接。这不是一件容易的事情,主要的挑战涉及网络特性差异问题以及要预测的社交链接和锚链接的不同方向性。为了解决这个问题,我们提出了一个面向应用的网络嵌入框架,层次图注意力为基础的网络嵌入(HGANE),集体链接预测定向对齐网络。与传统的一般网络嵌入模型不同,HGANE有效地将集体链接预测任务目标纳入考虑。它通过聚合来自网络内邻居(通过社交链接连接)和网络间合作伙伴(通过锚链接连接)的信息来学习节点的表示。此外,我们还分别为网络内邻居和网络间伙伴引入了层次图注意力机制,有效地解决了网络特性差异和链路方向性的挑战。在现实世界的对齐网络数据集上进行了大量的实验,以证明我们的模型在解决集体链接预测问题方面优于最先进的基线方法。
2019-10-13 cs.SI physics.soc-ph
Implicit degree bias in the link prediction task
本研究揭示链接预测任务中边采样对高度数节点的隐式偏差,提出度校正基准以提供更合理评估,并证明其能更有效训练图模型。
2024-05-29 cs.SI physics.soc-ph
Link Prediction and the Role of Stronger Ties in Networks of Face-to-Face Proximity
了解链接形成的原因是一个重要而突出的研究课题。因此,在本文中,我们考虑的链接预测问题,在面对面的接触网络,并分析了新的和经常性的链接的可预测性。此外,我们还研究了其他的影响因素,以及在这些网络中更强的联系的作用。具体来说,我们比较了基于邻域和基于路径的网络邻近度测量在基于阈值的分析捕捉时间动态。分析的结果和见解是人类联系网络可预测性应用的第一步,例如,用于改进推荐。
2014-07-08 cs.SI physics.soc-ph
Entropy-based approach to missing-links prediction
链接预测是网络理论中的一个活跃的研究领域,旨在从观察到的网络结构中发现缺失的连接或预测未来关系的出现。本文介绍了我们的贡献流的研究有关丢失的链接预测。在这里,我们提出了一个基于熵的方法来预测一个给定的百分比丢失的链接,通过识别它们与最可能的未观察到的。通过求解可访问网络结构上恰当定义的零模型来计算概率系数。在一组经济,金融和食品网络上将我们基于可能性的本地方法与最流行的算法进行比较后,我们发现我们的表现最好,正如许多统计指标所指出的那样(例如精度,ROC曲线下面积等)。此外,在本文件中采用的基于熵的形式主义,使我们能够直接扩展的链接预测练习,以及有向网络,从而克服了当前算法的主要局限性之一。通过采用这些方法可实现的更高的准确性-以及它们更大的灵活性-使它们成为可用链路预测算法的强有力的竞争者。
2018-05-22 physics.data-an physics.soc-ph
Multi-Scale Link Prediction
由于社交网络(例如LiveJournal、Flickr和Facebook)的激增,社交网络的自动分析已经成为重要问题。这些社交网络的规模巨大,并继续快速增长。社会网络分析中的一个重要问题是邻近度估计,即推断不同用户的接近程度。链接预测又是邻近度估计的重要应用。然而,许多用于计算邻近度测量的方法具有高计算复杂性,并且因此对于大规模链接预测问题是禁止的。解决这个问题的一种方法是通过低秩近似来估计邻近度。然而,单个低秩近似可能不足以表示整个网络的行为。在本文中,我们提出了多尺度链接预测(MSLP),链接预测的框架,它可以处理大规模的网络。MSLP的基本思想是以有效的方式在多个尺度上构造网络的低秩近似。基于这种方法,MSLP将多个尺度的预测组合在一起,以做出稳健而准确的预测。在超过一百万节点的真实数据集上的实验结果表明,我们的方法具有优越的性能和可扩展性。
2012-06-08 cs.SI physics.soc-ph
Improving personalized link prediction by hybrid diffusion
受传统链接预测的启发,为了解决社交网络中的好友推荐问题,本文提出了个性化链接预测方法,每个人都能得到相同数量的多样化预测。然而,在这种框架下,许多经典算法的性能并不令人满意,因此迫切需要新的算法。在其他领域已有研究的基础上,将热传导过程推广到个性化链接预测框架中,发现该方法优于许多经典的基于相似性的算法,尤其是在多样性方面。此外,我们证明,增加一个接地节点谁应该连接在系统中的所有节点将大大有利于热传导的性能。最后,提出了局部随机游走和热传导相结合的混合算法。数值实验结果表明,混合算法在AUC、查准率、查全率和汉明距离四个指标上都优于其他算法。总之,本文的工作对于深入理解物理过程在个性化链接预测中的作用有一定的启示。
2015-12-17 cs.SI physics.soc-ph
Entropy-based link prediction in weighted networks
信息熵已被证明是量化复杂网络结构重要性的有效工具。在之前的工作中(Xu et al,2016 \cite{xu2016}),我们用信息熵来衡量路径在链接预测中的贡献。本文进一步用路径熵和路径权重来量化路径的贡献,并提出一种基于路径贡献的加权预测指标--加权路径熵(WPE),以提高加权网络的预测精度。在六个加权真实网络上的实验表明,WPE比三个典型的加权指数具有更高的预测精度。
2016-07-20 cs.SI physics.soc-ph
Evaluating Link Prediction Accuracy on Dynamic Networks with Added and Removed Edges
University of Toledo(托莱多大学)
在社交网络中预测未来关系的任务,称为链接预测,已经在文献中被广泛研究。已经提出了许多链接预测方法,范围从公共邻居到概率模型。Yang等人最近的工作强调了评估链接预测准确性的几个挑战。在边随时间增加和移除的动态网络中,链接预测问题更加复杂,并且涉及预测新增加的边和新移除的边。这导致了对动态链接预测方法的评估的新挑战,并且Yang等人提供的建议不再适用,因为它们没有解决边缘去除。在本文中,我们调查了目前用于评估动态链接预测方法的准确性的几个指标,并证明了为什么他们可以在许多情况下误导。我们提供了几个建议,评估动态链接预测的准确性,包括分为两类评估。最后,我们提出了一个统一的度量标准,有效地使用一个单一的数字来表征链接预测的准确性。
2016-07-25 cs.LG cs.SI physics.soc-ph
Inconsistency of evaluation metrics in link prediction
本文通过大量实验发现链路预测中不同评估指标会导致算法排名显著不一致,提出应至少同时使用AUC和AUPR、AUC-Precision或NDCG中的一个指标进行评估,为建立统一的链路预测评估标准提供了依据。
2024-02-24 cs.SI physics.soc-ph
Handling oversampling in dynamic networks using link prediction
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);MIT Lincoln Laboratory(麻省理工学院林肯实验室)
过采样是表示动态网络的数据的常见特征。过采样会影响动态网络中许多重要算法问题的质量,包括链接预测。链接预测试图预测在给定先前快照的情况下将被添加到网络的边。我们表明,不仅过采样的影响质量的链接预测,但我们可以使用链接预测恢复过采样的影响。我们还介绍了一种新的生成模型的噪声在动态网络,代表过采样。我们展示了我们的方法在合成和真实世界的数据的结果。
2015-08-11 cs.LG cs.SI physics.soc-ph
Negative Link Prediction in Social Media
近年来,符号网络分析引起了越来越多的关注。这部分是因为对有符号网络分析的研究表明,负面链接在分析过程中具有附加值。有效使用这些工具的一个主要障碍是,大多数社交媒体网站无法让用户明确指定这些工具。换句话说,在负关联的重要性与其在真实数据集中的可用性之间存在差距。因此,探索是否可以从通常可用的社交网络数据中自动预测负面链接是很自然的。在本文中,我们研究了新的问题,只有积极的联系和内容为中心的互动在社会媒体的负链接预测。我们提出了一些重要的观察负链接,并提出了一个原则性的框架NeLP,它可以利用积极的链接和内容为中心的互动来预测负链接。我们在真实世界的社交网络上的实验结果表明,所提出的NeLP框架可以准确地预测负链接与正链接和以内容为中心的互动。我们详细的实验还说明了各种因素的相对重要性,所提出的框架的有效性。
2014-12-08 cs.SI physics.soc-ph
Performance of Local Information Based Link Prediction: A Sampling Perspective
链接预测被广泛用于发现真实网络快照中的缺失链接,这些快照通常是通过各种采样方法获得的。然而,在以往的文献中,为了评估预测的性能,将采样快照中的已知边缘随机分为训练集和探测集,而没有考虑其他不同的采样方法。然而,不同的抽样方法可能会导致不同的缺失环节,特别是对于有偏见的。由于这个原因,如果我们考虑到抽样方法,基于随机划分的性能评估不再令人信服。因此,在本文中,旨在填补这一空白,我们试图重新评估的本地信息为基础的链接预测的性能,通过抽样方法控制的训练集和探测集的划分。有趣的是,我们发现对于不同的采样方法,每种预测方法的表现并不均匀。此外,当抽样方法有偏差时,大多数这些预测的表现都很弱,这表明这些方法的性能在以前的工作中被高估了。
2011-07-08 cs.SI physics.soc-ph
Link Prediction in Complex Networks: A Survey
复杂网络中的链路预测问题越来越受到物理学界和计算机科学界的关注。本文综述了链路预测算法的最新进展,重点介绍了基于随机游走的方法和极大似然方法等物理方法对链路预测算法的贡献。介绍了三个典型的应用:网络重构、网络演化机制评价和部分标号网络分类。最后,我们介绍了一些应用程序,并概述了未来的挑战,链接预测算法。
2010-10-04 cs.SI physics.comp-ph physics.soc-ph
Effective Model Integration Algorithm for Improving Link and Sign Prediction in Complex Networks
复杂网络中的链接和符号预测为决策和推荐系统带来了很大的帮助,例如预测潜在的关系或相对状态级别。许多先前的研究集中在设计特殊的算法来执行链接预测或符号预测。在这项工作中,我们提出了一个有效的模型集成算法,包括网络嵌入,网络特征工程,和一个集成的分类器,它可以在同一个框架中执行的链接和符号预测。网络嵌入能够准确地表示拓扑结构的特征,配合强大的网络特征工程和集成分类器可以实现更好的预测。在多个数据集上的实验表明,尽管该模型具有通用性,但它在链接和符号预测方面都能达到最先进或有竞争力的性能。有趣的是,我们发现仅使用非常低的网络嵌入维数可以产生高的预测性能,这可以显着降低训练和预测过程中的计算开销。该研究为复杂网络中的多任务预测提供了一种强有力的方法。
2021-08-03 cs.IR cs.SI physics.soc-ph
Jointly Predicting Links and Inferring Attributes using a Social-Attribute Network (SAN)
社会影响和同质性的影响表明,网络结构和节点属性信息都应该通知链接预测和节点属性推理的任务。最近,Yin等人提出了一种属性增强的社会网络,即社会属性网络(SAN),它将网络结构和节点属性相结合,以执行链接预测和属性推理。他们专注于将带重启的随机游走算法推广到SAN框架,并展示了改进的性能。在本文中,我们扩展了SAN框架与几个领先的监督和无监督的链接预测算法,并证明了性能的改善,每个算法的链接预测和属性推理。此外,我们提出了新的观察,即属性推断可以帮助通知链接预测,即,通过首先推断丢失的属性,进一步提高了链接预测的准确性。我们全面评估这些算法,并使用一个新的,大规模的Google+数据集,我们公开提供与其他现有的算法进行比较。
2012-06-22 cs.SI physics.soc-ph
SSNE: Effective Node Representation for Link Prediction in Sparse Networks
图嵌入在复杂网络中的链接预测中越来越受欢迎,并取得了优异的性能。然而,有限的工作已经做了稀疏网络,代表了大多数真正的网络。在本文中,我们提出了一个模型,稀疏结构网络嵌入(SSNE),以获得节点表示的链接预测稀疏网络。SSNE首先将邻接矩阵转换为归一化$H$阶邻接矩阵之和(SNHAM),然后通过神经网络模型将SNHAM矩阵映射为用于节点表示的$d$维特征矩阵。证明了映射运算是奇异值分解的等价变形。最后,我们计算节点相似度的链接预测基于这样的特征矩阵。通过在合成稀疏网络和真实稀疏网络上的测试实验,与结构相似性指数、矩阵优化和其他图嵌入模型相比,该方法具有更好的链接预测性能。
2021-04-21 cs.SI physics.soc-ph
Predicting missing links and their weights via reliable-route-based method
链接预测的目的是根据当前网络结构发现缺失的链接或预测未来关系的出现。对于非加权网络中的链接预测,人们已经提出了很多算法,但只有很少的算法被推广到加权网络中。到目前为止,如何预测链接的权重很重要,但很少研究。在这封信中,我们提出了一个可靠的路由为基础的方法来扩展未加权的局部相似性指数加权指数,并提出了一种方法来预测链接的存在和链接的权重。在不同真实网络上的实验表明,加权资源分配指标具有最好的链路存在性预测性能,而基于可靠路由的加权资源分配指标在权重预测上表现明显更好。进一步的分析表明,链接预测和权重预测都具有很强的相关性:聚类系数越大,预测精度越高。
2014-08-05 cs.IR cs.SI physics.soc-ph
Common neighbours and the local-community-paradigm for link prediction in bipartite networks
二分网络是对复杂系统的有力描述,其特征在于两个不同类别的节点和连接只允许跨越而不允许在两个类别内。令人惊讶的是,目前的复杂网络理论提出了一个理论瓶颈:一个通用的框架,直接在二分域基于局部的链接预测是失踪。在这里,我们克服了这一理论障碍,并提出了一个正式的定义,共同的邻居指数(CN)和本地社区范例(LCP)的二分网络。因此,我们能够引入第一个基于节点邻域和基于LCP的模型,利用二分域的拓扑链接预测。我们在几个不同规模和不同来源的网络中进行了链接预测评估,包括技术,社会和生物系统。我们的模型显着提高了许多二分网络的拓扑预测,因为它们利用本地的物理驱动力,参与许多现实世界的二分网络的形成和组织。此外,我们提出了一个基于本地的形式主义,允许直观地实现基于邻域的链接预测完全在二分域。
2015-12-12 cs.SI nlin.AO physics.soc-ph
wsGAT: Weighted and Signed Graph Attention Networks for Link Prediction
unict(恩纳波利卡大学(UNICT))
图神经网络(GNN)已被广泛用于学习图上的表示并解决来自广泛领域的许多现实问题。在本文中,我们提出了wsGAT,这是图注意力网络(GAT)层的扩展,旨在解决缺乏可以处理具有签名和加权链接的图的GNN的问题,这些链接在信任和相关网络中无处不在。我们首先评估我们的建议的性能进行比较,对GCNII在加权链接预测任务,对SGCN在链接符号预测任务。之后,我们将这两个任务结合起来,并展示了它们在预测链接的符号权重及其存在性方面的表现。我们在真实网络上的结果表明,具有wsGAT层的模型优于具有GCNII和SGCN层的模型,并且在预测有符号权重时,性能没有损失。
2021-09-21 cs.LG cs.SI physics.soc-ph
Semi-supervised Graph Embedding Approach to Dynamic Link Prediction
The University of Tokyo(东京大学)
我们提出了一个简单的离散时间半监督图嵌入方法,在动态网络中的链接预测。学习的嵌入反映了来自时间和横截面网络结构的信息,这是通过将损失函数定义为来自过去动态的监督损失和预测当前网络中的邻域上下文的无监督损失的加权和来执行的。我们的模型也能够学习不同的嵌入形成和溶解动力学。这些关键方面有助于我们的模型的预测性能,我们提供了三个真实世界的动态网络的实验表明,我们的方法是可比的最先进的方法在链接形成预测和优于最先进的基线方法在链接解散预测。
2016-10-14 cs.LG cs.SI physics.soc-ph
The Link Prediction Problem in Bipartite Networks
Technische Universität Berlin(柏林工业大学)
我们定义并研究了二分网络中的链接预测问题,将一般的链接预测算法应用于二分网络。在图中,两个顶点的链接预测函数表示顶点的相似性或接近性。一般图的公共链接预测函数使用两个节点之间的长度为2的路径来定义。由于在二部图中,邻接点只能由奇数长度的路径连接,因此这些函数不适用于二部图。相反,当半正定核约束放松时,某类图核(谱变换核)可以推广到二分图。这种推广是通过基础谱变换的奇分量来实现的。这种结构导致了几个新的链接预测伪内核,如矩阵双曲正弦,我们检查评级图,作者图,大众分类法,文档-功能网络和其他类型的二分网络。
2010-06-28 cs.LG physics.soc-ph
Dynamic patterns of knowledge flows across technological domains: empirical results and link prediction
本研究旨在探讨跨技术领域知识溢出的结构与演化。具体而言,29个技术领域之间的知识流动的动态模式,衡量专利引用8个不同的时期,确定和链接预测的预测能力,在这些跨领域的专利网络的演变进行了测试。使用卡茨度量的预测的总体成功意味着,有一种趋势,主要是在一组以前链接的技术领域内产生更多的知识流。本研究通过描述动态技术网络中的结构变化和演化行为,并为预测未来技术知识流的出现提供基础,为创新研究做出了贡献。
2017-06-21 cs.CY cs.DL cs.SI
Link prediction for interdisciplinary collaboration via co-authorship network
我们分析了布里斯托尔大学在$2008$和$2013$之间收集的出版和研究(PURE)数据集。利用现有的合著网络及其学术信息,我们提出了一种新的链接预测方法,其具体目的是确定潜在的跨学科合作,在大学范围内的合作网络。
2018-03-16 cs.DL physics.soc-ph stat.AP