基于端到端分布式框架的符号网络预测方法

社交网络中的链接关系根据其潜在含义可分为正关系和负关系。若对网络中的链接关系进行正负标注,则可形成一个符号网络。符号网络在社会学、信息学、生物学等多个领域存在广泛应用。针对符号网络中链接关系的正负预测已经成为当前研究的热点之一。在大数据背景下,随着符号网络规模的日益增大,符号预测算法的可伸缩性问题日益突出。一些研究者提出了分布式环境下的符号预测方法,使得算法的可伸缩性问题部分得到缓解。但由于大多数算法采用了服务器-客户端方式的分布式框架,导致问题并没有得到根本上的解决。本文提出了一种新的端到端分布式框架（Client to Client Distributed FrameWork,简称C2CDF）,相比传统服务器-客户端架构的集中通信模式,C2CDF各个节点间地位平等,不存在集中通信,集群的带宽瓶颈和压力大大减轻。通过在社交网络正负符号预测、广告点击率预测及森林类型预测等三个不同真实数据集上的实验证明,C2CDF能够在拥有更高准确性的同时,获得2.3-3.3倍的加速比,而且拥有良好的泛化性,不仅能应用在社交网络正负符号预测方面,也能作用于广告点击预测等其他领域。     

因子分解机模型研究综述

传统矩阵分解方法因其算法的高可扩展性和较好的性能等特点,在预测、推荐等领域有着广泛的应用.然而大数据环境下,更多上下文因素的获取变得可能,传统矩阵分解方法缺乏对上下文信息的有效利用.在此背景下,因子分解机模型提出并流行.为了更好地把握因子分解机模型的发展脉络,促进因子分解机模型与应用相结合,针对因子分解机模型及其算法进行了综述.首先,对因子分解机模型的提出进行了溯源,介绍了从传统矩阵分解到因子分解机模型的演化过程;其次,从模型准确率和效率两方面对因子分解机模型存在的基本问题和近年来的研究进展进行了总结,然后综述了适用于因子分解机模型求解的4种代表性优化算法;最后分析了因子分解机模型目前仍存在的问题,提出了可能的解决思路,并对未来的研究方向进行了展望.