| 基于矩阵分解的DeepWalk链路预测算法 |
| |
| 作者姓名： | 冶忠林 曹蓉 赵海兴 张科 朱宇 |
| |
| 作者单位： | 陕西师范大学 计算机学院,西安710119;青海省藏文信息处理与机器翻译重点实验室,西宁810008;藏文信息处理教育部重点实验室,西宁810008;青海省藏文信息处理与机器翻译重点实验室,西宁810008;藏文信息处理教育部重点实验室,西宁810008;青海师范大学 计算机学院,西宁810008;陕西师范大学 计算机学院,西安710119;青海省藏文信息处理与机器翻译重点实验室,西宁810008;藏文信息处理教育部重点实验室,西宁810008;青海师范大学 计算机学院,西宁810008 |
| |
| 基金项目： | NSFC支持项目;创新团队发展计划;教育部长江学者奖励计划项目;青海省自然科学基金;中央高校基本科研业务费专项 |
| |
| 摘 要： | 现有的链路预测方法的数据来源主要是基于邻居、路径和随机游走的方法,使用的是节点相似性假设或者最大似然估计,尚缺少基于神经网络的链路预测研究。基于神经网络的一些研究表明,基于神经网络的DeepWalk网络表示学习算法可以更加有效地挖掘到网络中的结构特征,已有研究证明DeepWalk等同于分解目标矩阵。因此,提出了一种基于矩阵分解的DeepWalk链路预测算法(LPMF)。该算法首先基于矩阵分解的DeepWalk算法分解得到网络的表示向量;然后通过余弦相似度计算每对节点之间的相似度,构建目标网络的相似度矩阵;最后利用相似度矩阵,在三个真实的引文网络中进行链路预测实验。实验结果表明,提出的链路预测算法性能优于现存的20余种链路预测算法。这充分表明了LPMF能够有效地挖掘网络中节点之间的结构关联性,而且在实际网络的链路预测中能够发挥出较为优异的性能。
|
| 关 键 词： | 链路预测 神经网络 DeepWalk 网络表示学习 矩阵分解 相似度矩阵 |
| 收稿时间： | 2018-07-14 |
| 修稿时间： | 2019-12-26 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《计算机应用研究》浏览原始摘要信息 |
|
点击此处可从《计算机应用研究》下载全文 |
|
