基于矩阵分解的链路预测算法研究

论文摘要

复杂网络领域中的链路预测主要是利用已知网络中节点之间现有的链路信息与节点之间的属性特征来估计网络中任意两个节点之间在下一时刻可能产生链路的概率值的大小,通常可用来挖掘已知网络中的潜在连边或错误连边信息。近几年来,链路预测算法被广泛地应用于推荐任务、舆情检测系统等众多领域中,且链路预测问题一直是学者们关注的焦点。本文主要针对现有预测算法挖掘到的节点之间的关系不能充分反映已知网络的结构特征的不足,基于矩阵分解的角度,提出了两种新的链路预测模型,通过提取到已知网络中节点间的内部结构关联性和外部文本相关性,获得了比较好的预测效果。首先,本文提出一种新的基于矩阵分解的链路预测算法(简称LPMF算法),LPMF算法在网络表示学习的过程中将已知网络的结构信息作为输入去训练网络中节点的向量表示。其次,将LPMF算法进一步改进,提出了基于文本增强的链路预测算法(简称TELP算法),TELP算法在网络表示学习过程中考虑了节点外部的文本特征,更能有效地且准确地挖掘和提取到已知网络中节点间的内部结构关联性和外部文本相关性。最后,通过在三个真实的引文网络数据集上分别进行仿真实验,将最终的预测结果与现存的15余种经典的链路预测算法进行比对分析,并采用ROC区域曲线(简称AUC指标)作为预测算法精确度的评价标准来实现对本文所提出的LPMF算法和TELP算法的可行性与精确度进行考证,实验数据显示:除矩阵森林指数(简称MFI)算法外,本文的LPMF算法和TELP算法的预测性能在这三个数据集上的表现优于其他14种预测算法。综上,本文所提出的这两种新的链路预测算法在表示学习的过程中能兼顾已知网络本身的内部结构信息与节点外部的文本特征实现对目标网络的联合学习,在链路预测任务中表现出了良好的效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 研究背景及意义
•   1.2 国内外研究现状
•     1.2.1 国外研究现状
•     1.2.2 国内研究现状
•   1.3 主要研究内容
•   1.4 论文的创新点
•   1.5 章节组织
• 第二章 链路预测的基础知识
•   2.1 问题描述
•   2.2 链路预测分析过程
•   2.3 数据集划分方法
•     2.3.1 随机抽样
•     2.3.2 交叉验证
•     2.3.3 随机游走抽样
•     2.3.4 基于路经抽样
•   2.4 AUC评价指标
•   2.5 基于相似性的链路预测算法
•     2.5.1 基于局部信息的相似性
•     2.5.2 基于路径的相似性
•     2.5.3 基于随机游走的相似性
•   2.6 本章小结
• 第三章 基于矩阵分解的DeepWalk链路预测
•   3.1 DeepWalk模型
•   3.2 DeepWalk矩阵分解形式
•   3.3 基于矩阵分解的DeepWalk链路预测算法设计
•   3.4 本章小结
• 第四章 基于节点文本增强的链路预测
•   4.1 诱导矩阵补全IMC算法
•   4.2 TADW模型
•   4.3 基于节点文本增强的链路预测算法设计
•   4.4 本章小结
• 第五章 实验数据分析与评价
•   5.1 实验数据集设置
•   5.2 实验结果与分析
•   5.3 参数分析
•     5.3.1 度分布可视化
•     5.3.2 调参与分析
•     5.3.3 网络表示可视化
•   5.4 本章小结
• 第六章 总结与展望
•   6.1 全文总结
•   6.2 展望
• 参考文献
• 致谢
• 附录一 个人简介
• 附录二 作者攻读硕士学位期间完成和发表的论文
• 附录三 作者攻读硕士学位期间参加的科研项目

文章来源

类型: 硕士论文

作者: 曹蓉

导师: 赵海兴

关键词: 复杂网络,链路预测,矩阵分解,网络表示学习

来源: 青海师范大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,计算机软件及计算机应用

单位: 青海师范大学

分类号: O157.5;TP301.6

DOI: 10.27778/d.cnki.gqhzy.2019.000220

总页数: 59

文件大小: 2888K

下载量: 53