基于树状朴素贝叶斯模型的社会网络关系预测

在社会网络关系预测研究领域,把基于拓扑结构信息的共邻节点属性作为相似性度量的预测模型应用比较广泛,但是该类算法具有较强的假设独立性,不能完全反映社会网络的“链接”结构。引入树状朴素贝叶斯(TAN)分类模型,采用信息熵度量节点对的角色,赋予共邻节点集合差异化的贡献权重进行社会关系预测,同时把模型推广到CN,AA和RA 等3种基于相似度的链接预测算法中。对5个真实社会网络采用AUC和ROC曲线进行实验评价后证明,该模型能够在深入挖掘共邻节点对贡献及解决共邻节点角色独立性的基础上提高预测精确度,同时为该类模型的研究提供一种新的方案。     

基于对抗图卷积网络的链接预测模型

大部分的链接预测模型在挖掘节点相似性时过于依赖已知的链接信息,但在真实世界中,已知的观测链接数量通常较少.因此,为了提高模型的鲁棒性,需要提高解耦模型对链接信息的依赖并挖掘节点的潜在特征.文中考虑节点特征和链接之间的潜在关系,提出基于对抗图卷积网络的链接预测模型.首先利用节点间的相似性度量填充邻接矩阵中部分未知链接,缓解链接稀疏对图卷积模型的影响.再利用对抗网络深度挖掘节点特征和链接之间的潜在联系,降低模型对链接的依赖.在真实数据集上的实验表明,文中模型在链接预测问题上具有较好的表现力,在链接稀疏的情况下性能依旧较稳定,同时适用于大规模数据集.     

基于RReliefF特征选择算法的复杂网络链接分类

研究基于复杂网络特征的链接分类问题,针对原始特征噪声信息多、冗余度大的现象,在RRelief F特征选择算法的基础上,提出一种改进的链接分类模型。从局部和全局2个维度构建与链接相关联的特征信息,引入RRelief F算法对特征进行选择并采用偏最小二乘法实现回归分类。在人工数据集和真实数据集上的实验结果表明,该模型能筛选出具有判别性的特征,提高链接分类质量,为监督学习的复杂网络链接分类提供一种新思路。     

改进朴素贝叶斯模型的复杂网络关系预测

复杂网络包括生物性信息网络、科学家合作网络、社交关系网络等,研究复杂网络的关系预测问题有助于预测蛋白质相互关系,发现科学家合作关系,以及挖掘潜在好友关系等。目前,绝大多数关系预测算法由复杂网络的相似度模型实现,但该类型算法基于显式的网络拓扑特征构建,忽视了影响关系生成的隐含信息。针对这一问题,在朴素贝叶斯链接预测模型(LNB)基础上提出了一种加强(Enhanced)朴素贝叶斯链接预测模型(ELNB),该模型通过定义共邻节点关系概率对共邻节点构成的局部子图特征进行建模,有效缓解了LNB中的独立性假设,实现了共邻节点关系贡献的量化计算。在人工数据集和真实复杂网络数据集上的实验表明,本文提出的模型优于基准算法和其他新近提出的模型。同时,把ELNB的思想有效地拓展到其他基于共邻节点的相似度算法中,为该类模型的研究提供一种新的方案。     

一种双重特征选择的不平衡复杂网络链接分类模型

基于有监督学习思想的链接分类是复杂网络分析领域的主要研究问题,该思想的核心在于把网络分成训练网络和目标网络,通过分类模型学习训练集合并对目标集合进行预测。然而在复杂网络链接分类这一场景中,正类别样本和负类别样本的分布是不平衡的,特征之间会存在冗余信息,这一现象往往制约着分类性能的有效提升。针对该问题,提出了一种双重特征选择的分类模型,该方法借助Relief赋予特征权重并使用K-means聚类算法对不平衡样本进行采样,解决数据不平衡问题,然后引入极小冗余-极大相关（mRMR）衡量特征与特征之间和特征与类别之间的相关性,同时最大限度地减少冗余。在多个真实复杂网络数据集上的实验结果表明,相较于目前主流的链接分类模型,本文的方法能够明显的提升分类的性能。     

基于划分社区和差分共邻节点贡献的链路预测

通过改进基于节点相似度的朴素贝叶斯模型, 引入GN和CMN两种经典的划分社区算法挖掘网络社区属性对预测节点对的影响, 赋予共邻节点不同的连接度和社区贡献度并计算其贡献权重, 同时把模型应用于五种相似度算法, 采用ROC和Precision-Recall曲线进行实验评价。人工网络和真实网络中的实验证明, 该模型能够在深入挖掘社会网络结构信息的基础上提高预测的精确度, 同时为该类模型的研究提供一种新的方案。     

基于Motif聚集系数与时序划分的高阶链接预测方法

高阶链接预测是当前网络分析研究的热点和难点,一个优秀的高阶链接预测算法不仅可以挖掘出复杂网络中节点间存在的潜在联系,还有助于认识网络结构随时间演化的规律,对于探索未知的网络关系有着重要的作用.大多数传统的链接预测算法仅考虑节点间的结构相似性特征,而忽略高阶结构的特性以及网络变化的信息.本文提出了一种基于Motif聚集系数与时序划分的高阶链接预测模型（简称MTLP模型）,该模型通过提取网络中高阶结构的Motif聚集系数特征和网络结构演变等特征,将其构建成可表示性特征向量,并使用多层感知器网络模型进行训练完成链接预测任务.该模型能够同时结合网络中高阶结构的聚集特征与网络结构演变信息,从而改善预测效果.通过在不同的数据集上进行实验,其结果表明,本文所提出的MTLP模型具有更好的高阶链接预测性能.     

基于节点表示和子图结构的动态网络链接预测

动态链接预测的关键是建模网络动态性和抽取局部结构特征.为此,文中提出基于节点表示和子图结构的动态链接预测方法.为了建模节点的动态演化特性,引入节点向量模型,按序拼接各个历史快照的节点表示.为了建模链接的局部子图结构信息,引入图同构算法,编码局部子图的拓扑结构.最终目标链接的特征表示融合每个历史快照中目标节点对的向量表征和局部子图的拓扑结构.实验表明文中方法性能较优.     

融合网络结构和节点属性的链接预测方法

链接预测旨在推荐网络中潜在的链接,是理解和研究社会网络特征的重要一步。随着社会网络的发展,许多网络中包含了大量的节点属性信息。研究集中在结合网络结构和节点属性信息来进行链接预测。网络中的两个节点既可能因为结构上相邻形成新链接,也可能因为属性相似产生联系,基于此假设提出了一种新的融合网络结构和节点属性的随机游走模型用于链接预测。首先建立了两个不同的网络图以及转移概率矩阵用于新的迭代规则,而后再简化该模型用于计算并提出了一种近似的快速算法。在两个标准数据集上进行的实验表明该方法较同类方法有明显的效果提升,同时进一步分析了随机游走粒子在两个网络图中游走的概率对预测结果的影响,分析结果显示节点属性可有效提高模型的预测能力。     

基于低秩和局部约束矩阵估计的链接预测方法

在大数据时代,互联网社会网络和其他复杂网络中的链接预测问题研究成为热门领域。链接预测相关的方法已被广泛地应用于社会网络关系挖掘、个性化推荐和生物制药等领域。在链接预测问题中,通常使用相似性矩阵来表示网络中任意节点之间存在链接的可能性,因此相似性矩阵的计算是链接预测中至关重要的一步。近年来的研究中,大多数方法是基于已知网络中数据的分析,通过网络潜在结构设计机器学习算法构造相似性矩阵。在全局低秩的网络结构假设下,结合网络中节点特征的局部约束,提出了一种基于数据的链接预测优化算法,并针对复杂网络数据链接预测问题设计了可扩展的分治方法,便于分布式环境中对大规模数据进行求解。通过在多个真实数据集上的实验和结果分析,基于低秩结构和局部约束矩阵估计的链接预测分治方法能够取得较好的效果,并对复杂的网络结构数据具有较强的可扩展性。     

网络拓扑特征的不平衡数据分类

现实中的数据集普遍具有非均衡性。针对不平衡分类问题,建立数据集网络结构来充分挖掘隐藏在样本点位置信息外的拓扑特征,分析网络节点的连接特性并赋予节点不同的效率。计算待测节点与每个子网络的相似性测度,依据新型的概率模型,进一步推算出该节点与各子网络的整体性测度。构建了一种基于网络拓扑特征的不平衡数据分类方法,算法中引入不平衡因子c用以减小由正负类样本数量差异所带来的影响。实验结果表明,该算法能有效提高分类精度,特别是对拓扑特征明显的数据集,在分类性能和适应能力上相比传统分类方法都得到进一步提升。     

基于信息传播节点集的CTDN节点分类算法

针对连续时间动态网络的节点分类问题,根据实际网络信息传播特点定义信息传播节点集,改进网络表示学习的节点序列采样策略,并设计基于信息传播节点集的连续时间动态网络节点分类算法,通过网络表示学习方法生成的节点低维向量以及OpenNE框架内的LogicRegression分类器,获得连续时间动态网络的节点分类结果。实验结果表明,与CTDNE和STWalk算法相比,该算法在实验条件相同的情况下,网络表示学习结果的二维可视化效果更优且最终的网络节点分类精度更高。     

融合节点描述属性信息的网络表示学习算法

为融合节点描述信息提升网络表示学习质量，针对社会网络中节点描述属性信息存在的语义信息分散和不完备性问题，提出一种融合节点描述属性的网络表示（NPA-NRL）学习算法。首先，对属性信息进行独热编码，并引入随机扰动的数据集增强策略解决属性信息不完备问题；然后，将属性编码和结构编码拼接作为深度神经网络输入，实现两方面信息的相互补充制约；最后，设计了基于网络同质性的属性相似性度量函数和基于SkipGram模型的结构相似性度量函数，通过联合训练实现融合语义信息挖掘。在GPLUS、OKLAHOMA和UNC三个真实网络数据集上的实验结果表明，和经典的DeepWalk、TADW（Text-Associated DeepWalk）、UPP-SNE（User Profile Preserving Social Network Embedding）和SNE（Social Network Embedding）算法相比，NPA-NRL算法的链路预测AUC（Area Under Curve of ROC）值平均提升2.75%，节点分类F1值平均提升7.10%。     

从信息学的角度分析复杂网络链路预测

链路预测作为复杂网络分析的一项重要任务,其目的是寻找节点间缺失(新)的链路,识别虚假交互,对于挖掘和分析网络的演化,重塑网络模型具有重要意义.传统的链路预测方法多数采用拓扑结构信息、节点的属性信息和图的结构特征.应用这些特征等外部信息可以得到很好的预测效果.本文从信息学的角度全面分析、回顾和讨论了复杂网络链路预测的发展现状,提出了链路预测技术和问题的系统分类.首次将分层的思想引入链路预测分类体系中,把当前的链路预测方法分为基于监督学习的技术、基于半监督学习的技术、基于无监督学习的技术和基于强化学习的技术.对每种技术的优缺点、复杂性、所使用的具体特征,开源实现及应用建议进行了详细的分析.最后,讨论了当前复杂网络链路预测技术未来的发展方向.     

基于语义拓扑网的反馈学习技术

为了从海量数据中快捷有效地获取所需的信息，提出了语义拓扑网的概念以及基于语义拓扑网的反馈学习方法。通过将数据对象的内容特征与语义特征进行有机地结合并构成语义拓扑网。在反馈过程中利用语义拓扑网，不断学习记忆并指导搜索。实验表明，基于语义拓扑网的反馈系统具有良好的学习能力与记忆能力，能有效地提高榆索系统的性能。     

基于时序模体注意力图卷积的动态网络链路预测算法

时序网络中的动态链路预测旨在基于历史连边信息预测未来会产生的连边,是网络分析的重要组成部分,具有极大的理论研究价值和广阔的应用场景.针对现有的动态链路预测算法大多基于一阶连边关系预测未来连边,忽略了对高阶的拓扑信息和时序通联信息的挖掘和利用问题,提出一种基于时序模体注意力图卷积的动态链路预测算法.首先,提出一种时序模体邻接矩阵构建算法,利用时序模体抽取节点间的高阶拓扑和时序关系信息;然后利用隐式调节过程对网络演化过程进行建模,并使用时序模体邻接矩阵作为传输矩阵的图卷积神经网络学习节点的低维向量表示并进行迭代更新;最后以节点间表示向量作为输入,通过计算连边发生的条件密度函数值作为依据完成动态链路预测.在多个真实时序网络数据集上的实验结果表明,所提算法可有效挖掘节点间的高阶拓扑和时序信息,提高动态链路预测效果.     

Text-enhanced network representation learning

Network representation learning called NRL for short aims at embedding various networks into lowdimensional continuous distributed vector spaces. Most existing representation learning methods focus on learning representations purely based on the network topology, i.e., the linkage relationships between network nodes, but the nodes in lots of networks may contain rich text features, which are beneficial to network analysis tasks, such as node classification, link prediction and so on. In this paper, we propose a novel network representation learning model, which is named as Text-Enhanced Network Representation Learning called TENR for short, by introducing text features of the nodes to learn more discriminative network representations, which come from joint learning of both the network topology and text features, and include common influencing factors of both parties. In the experiments, we evaluate our proposed method and other baseline methods on the task of node classification. The experimental results demonstrate that our method outperforms other baseline methods on three real-world datasets.     

基于共同邻居邻域拓扑稠密性加权的链路预测方法

链路预测旨在利用已知的网络节点和拓扑结构信息,预测网络中未连接的两个节点之间存在连边的可能性。基于网络拓扑相似性的链路预测方法计算复杂度低且预测效果好,但现有的相似性指标对共同邻居的邻域拓扑信息考虑较少。针对此问题,提出一种基于共同邻居邻域拓扑稠密性加权的链路预测方法。首先,基于邻域拓扑相对稠密指数量化节点的邻域拓扑结构;然后,利用共同邻居的节点度和邻域拓扑相对稠密指数刻画共同邻居及其邻域拓扑的相似性贡献;最后,提出基于共同邻居邻域拓扑稠密性加权的节点相似性指标。在多个实际网络数据上的实验结果表明,与现有相似性指标相比,该方法能够取得更高的预测精度。     

基于密集连接卷积神经网络的链路预测模型

现有的基于网络表示学习的链路预测算法主要通过捕获网络节点的邻域拓扑信息构造特征向量来进行链路预测，该类算法通常只注重从网络节点的单一邻域拓扑结构中学习信息，而对多个网络节点在链路结构上的相似性方面研究不足。针对此问题，提出一种基于密集连接卷积神经网络（DenseNet）的链路预测模型（DenseNet-LP）。首先，利用基于网络表示学习算法node2vec生成节点表示向量，并利用该表示向量将网络节点的结构信息映射为三维特征数据；然后，利用密集连接卷积神经网络来捕捉链路结构的特征，并建立二分类模型实现链路预测。在四个公开的数据集上的实验结果表明，相较于网络表示学习算法，所提模型链路预测结果的ROC曲线下方面积（AUC）值最大提高了18个百分点。     

Exploring network reliability by predicting link status based on simplex neural network

Complex networks are graph-based structures with non-trivial topological features that frequently occur in real systems. Link prediction plays an important role in various real-world networks application, such as recommendation systems, protein structure prediction, packet forwarding strategy optimization, etc. The existing link prediction approaches mainly focus on superficial heuristic features, while ignoring high-order structure information. In this paper, we propose a deep-learning based model, named Weisfeiler–Lehman Simplex Neural Network (WL-SNN), which can learn the high-order simplex information of the network. In particular, we design a third-order Laplace operator to extract the simplicial features and utilize the graph convolutional network to compensate for the possible deficiencies of the model resulting from the single-channel features. Furthermore, we use the Weisfeiler–Lehman algorithm to extract closed subgraphs of the target, which significantly enhances the adaptability of the model to large-scale networks. Experimental results on six real-world networks show that our approach achieves comparable performance in the link prediction task as well as in the stability analysis of the network.