Towards Fast Evaluation of Unsupervised Link Prediction by Random Sampling Unobserved Links
链接预测由于能够发现网络中隐藏的连接和预测网络中未来的链接而引起了广泛的关注。许多无监督的链接预测算法已经被提出来在各种网络中发现这些链接。然而,在无监督链接预测中存在评估难题。在大型网络中,未观测链路的数量远远超过观测链路的数量,因此量化所有未观测链路的存在可能性来评估这些算法是不现实的。在本文中,我们提出了一个新的评估范式,即采样未观察到的链接来解决这个问题。首先,我们证明了所提出的范式在理论上是可行的。然后,我们在不同上下文和大小的真实网络中进行了广泛的评估实验。结果表明,基于相似性的链接预测算法在大规模网络中即使在低采样率下也具有很高的稳定性,并且采样引起的评估时间退化是显著的。我们的发现对链接预测有着广泛的意义。
2021-05-07 cs.SI physics.soc-ph
Accelerating coordination in temporal networks by engineering the link order
网络上的社会动态可能会加速或减速,这取决于网络中哪对个体通信较早,哪对通信较晚。给定网络中的链接顺序使用的顺序,我们称之为链接顺序,可能是网络动态行为的一个强有力的决定因素,可能会为时间网络相对于静态网络的影响增加一个新的维度。在这里,我们研究链接顺序对线性协调的影响(即,同步)动力学。我们表明,协调速度在很大程度上取决于特定的链接顺序。此外,在移动到下一对个体之前,长时间应用每个单个链接以确保强的成对协调,通常不会增强整个网络的协调。我们还实现了一个简单的贪婪算法,以优化有利于快速协调的链接顺序。
2016-03-17 cs.SI physics.soc-ph
GC-LSTM: Graph Convolution Embedded LSTM for Dynamic Link Prediction
动态链接预测是复杂网络领域的一个研究热点,尤其在生物、社会网络、经济和工业等领域有着广泛的应用。与静态链接预测相比,动态链接预测由于网络结构随时间的变化而变得更加困难。目前大多数研究都集中在静态链接预测上,在动态网络中无法达到预期的性能。针对低AUC、高出错率、添加/删除链接预测困难等问题,提出了一种嵌入长短期记忆网络(LTSM)的图卷积网络(GC)GC-LSTM,用于端到端动态链接预测。据我们所知,这是第一次提出GCN嵌入LSTM用于动态网络的链接预测。在这个新的深度模型中,GCN能够为每个时间片学习网络快照的节点结构,而LSTM负责网络快照的时间特征学习。此外,现有的动态链接预测方法只能处理删除的链接,GC-LSTM可以同时预测添加或删除的链接。通过大量的实验,从预测精度、出错率、添加/删除链接预测和关键链接预测等方面验证了该算法的性能。结果证明GC-LSTM优于当前最先进的方法。
2021-10-02 cs.SI physics.soc-ph
Deriving pairwise transfer entropy from network structure and motifs
转移熵是一种用于量化神经成像和复杂系统数据集中的定向统计依赖性的既定方法。网络中从源节点到目标节点的成对(或双变量)传递熵不仅取决于本地源-目标链路权重,还取决于链路嵌入的更广泛的网络结构。使用离散时间线性耦合高斯模型,这使我们能够推导出每个链接的网络拓扑结构的传输熵,这种关系进行了研究。它示出解析的有向链路的权重的依赖性只是一个第一近似,有效的弱耦合。更一般地说,传递熵随着源节点的入度而增加,随着目标节点的入度而减小,表明枢纽节点和低度节点之间的信息传递是不对称的。此外,转移熵与涉及共同亲本或从源到目标的多次行走的加权基序计数成正比,这在具有高聚类系数的网络中比在随机网络中更丰富。我们的研究结果也适用于格兰杰因果关系,这是等价于高斯变量的转移熵。此外,随机布尔网络上的类似经验结果表明,转移熵对入度的依赖性扩展到非线性动力学。
2020-05-04 cs.IT cs.SI math.IT
Efficient Neural Common Neighbor for Temporal Graph Link Prediction
Institute for Artificial Intelligence, Peking University(人工智能研究院,北京大学);State Key Laboratory of General Artificial Intelligence, Peking University(通用人工智能国家重点实验室,北京大学)
TNCN通过高效的时间图架构和多跳共同邻居学习,实现了在大规模时间图上高效且准确的链接预测。
2025-12-14 cs.AI cs.LG cs.SI
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
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
A comparative study of similarity-based and GNN-based link prediction approaches
Universite de Lorraine(洛林大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);LORIA(洛林计算机科学与应用研究实验室)
基于图的当前结构来推断图中的缺失链接的任务被称为链接预测。基于成对节点相似性的链接预测方法是文献中公认的方法。虽然它们是抽象的,缺乏普遍适用性,但在许多现实世界的图中表现出良好的预测性能。另一方面,神经网络在各个领域的分类任务的成功导致研究人员在图中研究它们。当神经网络可以直接在图上操作时,则称为图神经网络(GNN)。GNN能够从图中学习隐藏的特征,这些特征可用于图中的链接预测任务。基于GNN的链接预测由于其在许多现实世界图中令人信服的高性能而受到研究人员的广泛关注。本文研究了由单一类型的(属性)节点和单一类型的成对链接组成的同构图域中的一些相似性和基于GNN的链接预测方法。我们评估研究的方法对几个基准图不同的属性,从各个领域。
2020-08-20 cs.LG cs.SI
Physics-Informed High-order Graph Dynamics Identification Learning for Predicting Complex Networks Long-term Dynamics
State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences(多模态人工智能系统国家重点实验室,自动化研究所,中国科学院);School of Artificial Intelligence, University of Chinese Academy of Sciences(人工智能学院,中国科学院大学)
本文提出一种物理信息驱动的高阶网络动力学识别方法,通过引入动态超图学习捕获非成对关系,并结合Koopman算子与物理信息神经微分方程,实现兼具准确性与可解释性的复杂网络长期动态预测。
2025-10-13 cs.AI cs.CY cs.SI
Robust Subjective Visual Property Prediction from Crowdsourced Pairwise Labels
Queen Mary University of London(伦敦玛丽女王大学);Peking University(北京大学)
从图像和视频中估计主观视觉特性的问题引起了越来越多的关注。主观视觉属性本身(例如图像和视频兴趣度)或作为视觉识别的中间表示(例如相对属性)是有用的。由于其模糊的性质,注释主观视觉属性的值以学习预测模型是具有挑战性的。为了使注释更可靠,最近的研究采用众包工具来收集成对比较标签,因为人类注释者在对两个图像/视频进行排名(例如,哪一个更有趣)方面要比单独给每个图像/视频一个绝对值要好得多。然而,使用众包数据也会引入离群值。现有方法依赖于多数投票来修剪注释离群值/错误。因此,它们需要收集大量的成对标记。更重要的是,作为一种局部离群点检测方法,多数投票在识别可能导致全局排名不一致的离群点方面是无效的。在本文中,我们提出了一种更有原则的方法来识别注释离群值,通过将主观视觉属性预测任务制定为统一的鲁棒学习排序问题,同时解决离群值检测和学习排序。不同于现有的方法,所提出的方法集成本地成对比较标签在一起,以尽量减少成本,对应于全球排名顺序的不一致性。这不仅可以更好地检测注释离群值,还可以使用极其稀疏的注释进行学习。在各种基准数据集上的广泛实验表明,我们的新方法显着优于最先进的替代方案。
2015-07-27 cs.CV cs.LG cs.MM
Networks beyond pairwise interactions: structure and dynamics
许多生物、社会和技术系统的复杂性源于其单元之间丰富的相互作用。在过去的几十年里,大量的复杂系统被成功地描述为网络,其相互作用的节点对通过链路连接。然而,在面对面的人类交流、化学反应和生态系统中,相互作用可以发生在三个或更多节点的群体中,而不能简单地用简单的二元体来描述。直到最近,很少有人关注真正的复杂系统的高阶体系结构。然而,越来越多的证据表明,考虑这些系统的高阶结构可以大大提高我们的建模能力,并帮助我们理解和预测它们的新兴动力学行为。在这里,我们提出了一个完整的概述新兴领域的网络超越成对的相互作用。我们首先讨论的方法来表示高阶的相互作用,并给出一个统一的介绍用于描述高阶系统的不同的框架,突出现有的概念和表示之间的联系。我们回顾的措施,旨在表征这些系统的结构和在文献中提出的模型,以产生合成结构,如随机和不断增长的单纯形复合体,二分图和超图。我们介绍并讨论了迅速增长的研究高阶动力系统和动力拓扑。我们专注于新出现的现象特征里程碑式的动力学过程,如扩散,传播,同步和游戏,当扩展到两两相互作用。我们阐明了高阶拓扑结构和动力学性质之间的关系,并总结了经验应用,提供了一个展望当前的建模和概念前沿。
2020-06-02 cond-mat.dis-nn cs.SI nlin.AO
Simplicial Closure and higher-order link prediction
网络提供了一个强大的形式主义,通过使用成对的相互作用的模型来建模复杂的系统。但这些系统中的大部分结构都涉及同时发生在两个以上节点之间的相互作用;例如,一个群体内的通信而不是人与人之间的通信,一个团队之间的合作而不是一对共同作者之间的合作,或者一组分子之间的生物相互作用而不仅仅是两个分子之间的生物相互作用。这种高阶相互作用是普遍存在的,但他们的实证研究受到了有限的关注,很少有人知道这种结构可能的组织原则。在这里,我们研究了19个数据集的时间演化,明确说明高阶相互作用。我们表明,我们的数据集中存在丰富的结构,但来自相同系统类型的数据集具有一致的高阶结构模式。此外,我们发现,领带强度和边缘密度是竞争的高阶组织的积极指标,这些趋势是一致的相互作用,涉及不同数量的节点。为了系统地进一步研究这种高阶结构的理论,我们提出高阶链接预测作为基准问题,以评估预测高阶结构的模型和算法。我们发现一个根本的区别,从传统的成对链接预测,更大的作用,而不是长期的信息,在预测新的相互作用的出现。
2018-12-11 cond-mat.stat-mech cs.SI math.AT
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
IGA-LWP: An Iterative Gradient-based Adversarial Attack for Link Weight Prediction
School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院);School of Communication Engineering, Hangzhou Dianzi University(杭州电子科技大学通信工程学院);School of Computer Science and Technology, University of Science and Technology of China(中国科学技术大学计算机科学与技术学院)
IGA-LWP通过迭代梯度攻击方法,对链权重预测模型进行对抗性扰动,显著降低目标链的预测准确性,并展示出强可迁移性。
2026-01-07 cs.SI
NodeSim: Node Similarity based Network Embedding for Diverse Link Prediction
在现实世界的复杂网络中,了解其演化的动力学一直是科学界的极大兴趣。预测未来的链接是社会网络分析的一项重要任务,因为随着时间的推移,链接的添加或删除会导致网络的演变。在网络中,如果链路的两个端节点属于同一个社区,则链路可以被分类为社区内链路,否则为社区间链路。现有的链接预测方法主要集中在实现社区内链接预测的高精度。在这项工作中,我们提出了一个网络嵌入的方法,称为NodeSim,它捕捉节点和社区结构之间的相似性,同时学习网络的低维表示。嵌入是使用建议的NodeSim随机游走学习的,它有效地探索了不同的邻域,同时在节点的上下文中保持更接近的相似节点。我们使用不同的链接预测验证了所提出的嵌入方法的有效性。我们提出了一个机器学习模型的链接预测,同时考虑节点的嵌入和他们的社区信息来预测两个给定的节点之间的链接。在几个真实网络上的大量实验结果表明,所提出的框架对社区间和社区内链接预测都是有效的。
2021-02-01 cs.SI
Link-Backdoor: Backdoor Attack on Link Prediction via Node Injection
Zhejiang University of Technology(浙江工业大学)
链接预测是对图中未发现的或潜在的链接进行预测的一种方法,在现实世界中有着广泛的应用。通过促进图的标记链接作为训练数据,已经研究了许多基于深度学习的链接预测方法,与非深度方法相比,这些方法具有主导的预测精度。然而,恶意制作的训练图的威胁会在深度模型中留下特定的后门,因此当一些特定的示例被输入模型时,它会做出错误的预测,定义为后门攻击。这是一个重要的方面,已被忽视,在目前的文献。本文提出了链接预测后门攻击的概念,并提出了Link-Backdoor算法,以揭示现有链接预测方法的训练漏洞。具体地,链路后门将伪节点与目标链路的节点组合以形成触发器。此外,它优化的触发器从目标模型的梯度信息。因此,在后门数据集上训练的链接预测模型将预测具有目标状态的触发的链接。在五个基准数据集和五个性能良好的链接预测模型上进行的大量实验表明,链接后门在白盒(即,目标模型参数的可用性)和黑盒(即,目标模型参数不可用)场景。此外,我们还对防御环境下的攻击进行了验证,结果表明,在性能良好的链接预测方法上,链接后门仍然可以构造成功的攻击。代码和数据可在https://github.com/Seaocn/Link-Backdoor上获得。
2022-08-14 cs.AI cs.SI
Link Prediction via Graph Attention Network
Beijing Normal University(北京师范大学)
链接预测是根据当前观测到的部分网络来推断缺失的链接或预测未来的链接,是网络科学中的一个基本问题,有着广泛的应用前景。然而,传统的链接预测方法既不具有高的预测精度,也不能揭示隐藏在链接后面的信息。为了解决这个问题,我们将深度学习的最新技术推广到图上,并提出了一种新的链接预测模型- DeepLinker。DeepLinker不是使用节点标签信息来学习节点表示,而是使用链接作为监督信息。在五个图上的实验表明,DeepLinker不仅能够达到最先进的链接预测精度,而且还可以获得高效的节点表示和节点中心度排名。虽然表示是在没有任何监督节点标签信息的情况下获得的,但它们在节点排名和节点分类任务上仍然表现良好。
2019-10-29 cs.LG cs.SI
On Signed Network Games with Binary Actions
Université catholique de Louvain(天主教鲁汶大学);Politecnico di Torino(都灵理工大学);Lund University(隆德大学)
研究包含协调与反协调网络博弈的二元动作成对可分离图博弈,基于有向符号图建模,证明在存在结构平衡子集时纳什均衡的存在性及其稳定性。
2026-06-01 cs.GT cs.MA cs.SI
Link Prediction with Contextualized Self-Supervision
Monash University(莫纳什大学);The University of Sydney(悉尼大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
链接预测旨在推断网络/图中节点对之间的链接存在。尽管传统的链接预测算法有着广泛的应用,但在现实网络中,链接稀疏性、节点属性噪声和动态变化等三大挑战阻碍了它们的成功。为了解决这些挑战,我们提出了一个上下文自监督学习(CSSL)框架,充分利用结构上下文预测链接预测。建议的CSSL框架学习一个链接编码器来推断链接存在概率从成对的节点嵌入,这是通过对节点属性的变换构造。为了生成用于链接预测的信息节点嵌入,利用结构上下文预测作为自监督学习任务来提高链接预测性能。研究了两种类型的结构背景,即,从随机游走收集的上下文节点与上下文子图。CSSL框架可以以端到端的方式训练,其中模型参数的学习由链接预测和自监督学习任务两者监督。建议CSSL是一个通用的和灵活的框架,在这个意义上,它可以处理属性和非属性的网络,并在两个转导和感应链接预测设置下运行。在七个真实世界的基准网络上进行的广泛的实验和消融研究表明,所提出的基于自我监督的链接预测算法在不同类型的网络上的性能优于最先进的基线,在传导和感应设置下。建议的CSSL也产生竞争力的性能,其鲁棒性节点属性噪声和可扩展性在大规模网络。
2022-09-07 cs.AI cs.SI
Leveraging Network Dynamics for Improved Link Prediction
University of Central Florida(中佛罗里达大学);Sandia National Labs(桑迪亚国家实验室)
链接预测的目的是基于先前观察到的链接的示例来预测未来最有可能发生的连接。一个关键的见解是,在进行链接预测时,显式地对网络动态(链接创建或破坏的频率)进行建模是有用的。在本文中,我们介绍了一个新的监督链接预测框架,RPM(率预测模型)。除了网络相似性度量,RPM还使用预测的链接修改率,使用时间序列数据建模;它在Spark-ML中实现,并使用原始链接分布进行训练,而不是一个小的平衡子集。我们比较使用这个网络动力学模型直接创建时间序列的网络相似性措施。我们的实验表明,RPM,利用预测率,优于使用网络相似性措施,无论是单独或在一个时间序列。
2016-04-08 cs.LG cs.SI
Link Prediction on Heterophilic Graphs via Disentangled Representation Learning
The Pennsylvania State University(宾夕法尼亚州立大学);IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心)
链接预测是一项重要的任务,在各个领域有着广泛的应用。然而,现有的大多数链接预测方法都假设给定的图遵循同构假设,并设计了基于相似性的推理或表示学习方法来预测链接。然而,现实世界中的许多图是异亲图,其中同伦假设不成立,这对现有的链接预测方法提出了挑战。通常,在异嗜图中,有许多潜在的因素导致链接的形成,并且两个链接的节点往往在一个或两个因素中相似,但可能在其他因素中不相似,导致整体相似性低。因此,一种方法是学习每个节点的解纠缠表示,每个向量捕获节点在一个因子上的潜在表示,这为在异嗜图中建模链接形成铺平了道路,从而导致更好的节点表示学习和链接预测性能。然而,这方面的工作相当有限。因此,在本文中,我们研究了一个新的问题,探索解纠缠表示学习的链接预测的异嗜图。我们提出了一个新的框架DisenLink,它可以学习解纠缠表示建模的链接形成和执行因素感知的消息传递,以促进链接预测。在13个真实数据集上的大量实验证明了DisenLink在嗜异性和血友病图上进行链接预测的有效性。我们的代码可在https://github.com/sjz5202/DisenLink上获得
2022-08-03 cs.LG cs.SI
Signed Link Prediction with Sparse Data: The Role of Personality Information
Arizona State University(亚利桑那州立大学);Walmart Labs(沃尔玛实验室)
预测社交网络中的签名链接通常面临签名链接数据稀疏性的问题,即,仅给出了一小部分签名链接。当负链接的数量远小于正链接的数量时,问题会加剧。提升有符号链接预测需要额外的信息来补偿数据稀疏性。根据心理学理论,这些信息的一个丰富来源是用户的性格,如乐观和悲观,可以帮助确定她建立积极和消极联系的倾向。在这项研究中,我们调查如何个性信息可以获得,如果个性信息可以帮助减轻数据稀疏性问题的签署链接预测。我们提出了一种新的签署链接预测模型,使经验探索用户的个性,通过社会媒体数据。我们评估我们提出的模型上的两个数据集的真实世界签署的链接网络。结果表明,个性信息的补充作用,在签署的链接预测问题。实验结果也表明了不同层次的个性信息对签名链接数据稀疏性问题的有效性。
2019-03-06 cs.LG cs.SI
A Novel Location Free Link Prediction in Multiplex Social Networks
近几十年来,社交网络的出现使得互联网服务提供商(例如,Facebook、Twitter和Uber)取得巨大的商业成功。链接预测被认为是构建社交网络拓扑结构并保持其不断发展的常见做法。传统上,链接预测方法依赖于用户的位置信息,其不时地遭受信息泄漏。为了解决这个问题,智能设备公司(例如,苹果公司)不断收紧其隐私政策,阻止互联网服务提供商获取位置信息。因此,在保证预测精度的前提下,设计与位置无关的链接预测方法具有重要意义。针对复杂社交网络,提出了一种新的无位置链接预测方法。在真实数据集上的实验表明,我们的位置无关的链接预测方法的精度提高了10%。
2022-12-13 cs.PF cs.SI
Evaluating Link Prediction Methods
链接预测是一个热门的研究领域,在包括生物学、社会科学、安全和医学在内的各种学科中都有重要的应用。链接预测的基本要求是准确有效地预测网络中的新链接。虽然有许多不同的方法提出了链接预测,我们认为,这些方法的实际性能潜力往往是未知的,因为在评估链接预测,这影响了结果的可靠性和可重复性的挑战。我们描述了这些挑战,提供理论证据和实证例子,说明当前的方法如何导致可疑的结论,显示这些结论的谬误是如何照亮我们提出的方法,并制定一致的,标准的和适用的评估指标的建议。我们还建议使用精确-召回阈值曲线和相关面积来代替受试者工作特征曲线,因为链接预测分类问题中的极端不平衡会导致复杂性。
2015-05-15 cs.DB cs.IR cs.SI
Quantum Link Prediction in Complex Networks
预测物理、生物、社会或技术网络中的新联系具有重大的科学和社会影响。基于路径的链接预测方法利用节点之间的偶数和奇数长度路径的显式计数来量化评分函数并推断新的或未观察到的链接。在这里,我们提出了一个量子算法,基于路径的链接预测,QLP,使用受控的连续时间量子行走编码偶数和奇数路径为基础的预测分数。通过对几个真实网络的经典模拟,我们证实了量子行走评分函数与其他基于路径的链接预测器的性能相似。在一个简短的复杂性分析中,我们确定了我们的方法在揭示基于路径的链路预测的量子加速方面的潜力。
2022-11-25 cond-mat.dis-nn cs.SI physics.bio-ph